Subsidio a la ignorancia: Nutrición lingüística y el costo de la iA anglocéntrica
Hace unos días, durante la redacción de una cláusula de confidencialidad compleja que integrara protección de datos y la prohibición de entrenamiento de modelos, se puso en marcha el flujo de trabajo habitual: un mismo prompt técnico ejecutado en paralelo sobre tres arquitecturas distintas. El objetivo era el documento jurídico, pero el resultado desplazó el foco hacia una pregunta técnica: ¿por qué tanta diferencia en la capacidad de comprensión?
En esta ronda el orden quedó claro. Qwen conservó los matices técnicos y la intención jurídica del original. DeepSeek resolvió con eficiencia, pero con menos densidad. Copilot y Gemini cerraron la fila. Ambos responden al estándar de producto de Silicon Valley: sistemas diseñados y alineados en inglés que generan castellano. El resultado era correcto en la superficie y calzado en otra gramática: un molde, no la cláusula pedida.
Al contrastar estas voces no se revela un misterio. Se revela una diferencia de nutrición. La brecha no depende solo de la cantidad de parámetros. Qwen no es un modelo español. Es un modelo cuya nutrición incluye el español de forma explícita y amplia, no como capa de salida. DeepSeek parte de un eje chino-inglés y cubre el resto. Copilot y Gemini son el otro extremo: producto inglés que habla español. En el texto de esta prueba, uno habitó la cláusula; los otros la tradujeron. Eso se anota en el output. No hace falta convertirlo en teoría de cómo razonan por dentro.
Esa diferencia de nutrición se lee en el sentido. La fragmentación del español, en cambio, es otra capa: el tokenizador. No son el mismo mecanismo. El BPE encarece la entrada; el alineamiento y el corpus sesgan la salida. Las dos se cobran.
No es anecdótico: en tokenizadores tipo cl100k_base (utilizados en GPT-4 / 3.5), el mismo párrafo técnico en español suele costar entre un 48% y un 55% más de tokens que su equivalente en inglés. Con vocabularios más recientes, como el o200k_base, el sobrecosto baja a un rango de entre el 25% y el 35%. Esta ineficiencia estructural se analiza en el artículo sobre tokens disponible en la home de CAPITANiA (www.capitania.org), donde se expone cómo la arquitectura anglocéntrica impone una carga invisible en cada consulta.
Aquí la técnica se vuelve factura. Esos 20 dólares mensuales que se repiten como mantra no son un precio inocente: son la cifra redonda con la que el mercado le pone cara al acceso. El hispanohablante entra al mismo mostrador y sale con menos margen. El input se fragmenta, el output se alarga, el cupo se acaba antes. No hace falta el Excel de la corporación. Se entiende en la práctica: por la misma moneda, el que escribe en español paga el viaje de ida del idioma. En Copilot el peaje ni siquiera se ve; viaja dentro de la licencia de Office.
El usuario no está pagando solo un servicio. Está subsidiando la ignorancia lingüística del modelo. La ineficiencia no es un accidente. Es el peaje que sostiene el mostrador.
Pero este costo no es solo monetario. En el entorno de la IA local, es una cuestión de física. Cuando se ejecutan modelos cuantizados en hardware propio —un Mac o un mini PC—, el límite lo marcan una VRAM finita y una KV-cache que no perdona. Un modelo mejor nutrido en español fragmenta menos el lenguaje. Al usar menos tokens para expresar la misma idea, el sistema no solo es más rápido y certero: deja sitio en memoria.
Ahí el criterio técnico se impone sobre la marca. La autonomía no consiste en usar un “modelo alternativo” por romanticismo, sino en elegir la herramienta que permita mantener la confidencialidad del dato y la predictibilidad del coste sin dependencia de servidores ajenos. Si el modelo es eficiente en el idioma de trabajo, cabe en la infraestructura propia. Si es ineficiente, la condena es pagar la renta de la nube.
Adoptar un modelo según su nutrición lingüística y su tasa de compresión no es un gesto ideológico; es un filtro técnico. La vanguardia útil no reside en el modelo más grande de Silicon Valley ni en el que Microsoft deja preinstalado en Office, sino en aquel que entrega más certeza por token y por vatio en el idioma de trabajo.
En el laboratorio los datos se anotan. En Pulso se publican. Quien no nutre el modelo en el idioma local termina cobrando el impuesto en la factura.
Autor: Leo Utzinger
Laboratorio práctico: Qwen, Copilot, Gemini, DeepSeek, Grok & Gemma 4.
Fuentes
De esta ronda (laboratorio CAPITANiA)
El ranking Qwen → DeepSeek → Copilot/Gemini sale de ejecutar el mismo prompt jurídico en paralelo y comparar qué términos sobreviven. No es un leaderboard público.
Peaje de tokens ES vs EN
Banco de pruebas The Hidden LLM Language Tax: https://github.com/vfalbor/llm-language-token-tax
Tokenizer público de OpenAI: https://platform.openai.com/tokenizer
tiktoken: https://github.com/openai/tiktoken
Cookbook (cl100k_base = GPT-4 / 3.5; o200k_base = GPT-4o y posteriores): https://github.com/openai/openai-cookbook/blob/main/examples/How_to_count_tokens_with_tiktoken.ipynb
Nutrición Qwen
Qwen3 Technical Report, arXiv:2505.09388 — ~36T tokens, 119 lenguas y dialectos, español incluido: https://arxiv.org/abs/2505.09388
Blog oficial: https://qwenlm.github.io/blog/qwen3/
Nutrición DeepSeek
DeepSeek-V3 Technical Report, arXiv:2412.19437 — 14,8T tokens; corpus multilingual con mayoría inglés y chino: https://arxiv.org/abs/2412.19437
Copilot
Producto Microsoft 365 sobre modelos de la familia GPT (OpenAI), cobrado dentro del ecosistema Office.
