En el lenguaje de cada uno

Cuando devolver el dato no significa que realmente haya vuelto

En el primer texto de esta serie propusimos:

el dato debe volver a quien lo produjo.

Pero ¿cómo sabemos si realmente ha vuelto?

Imaginemos a una persona recibiendo años de información producida sobre sí misma: salud, educación, consumo, desplazamientos, comportamiento digital, relaciones con instituciones y, en el futuro, quizás datos organizados por su propia IA Personalísima.

En la pantalla aparecen tablas, probabilidades, gráficos y clasificaciones.

Técnicamente, los datos han vuelto.

Pero ¿qué ocurre si esa persona no consigue darles significado?

Tal vez la restitución no consista simplemente en devolver información. Necesitamos preguntar:

¿en qué lenguaje debe volver el dato para poder reencontrarse con el Cuerpo-Territorio que lo produjo?

Fue precisamente esta expresión —“en el lenguaje de cada uno”— la que apareció en la pregunta planteada hace años a Roberto Lent y que ahora se convierte en el segundo problema de la W41/2026.

Hablar la misma lengua no significa producir significado de la misma manera

Comencemos eliminando un equívoco.

“En el lenguaje de cada uno” no significa solamente traducción.

No basta con que una IA identifique si alguien habla portugués, español, aimara o una lengua indígena y cambie el idioma de la interfaz.

Dos personas que hablan portugués pueden comprender la misma información de maneras profundamente diferentes.

Una prefiere números. Otra, imágenes. Una comprende inmediatamente una probabilidad. Otra necesita relacionarla con una situación cotidiana. Una domina determinado vocabulario científico. Otra posee conocimientos extremadamente sofisticados sobre su territorio, pero organiza las diferencias mediante categorías distintas de las utilizadas por la ciencia académica.

El lenguaje, por lo tanto, no es simplemente un recipiente donde colocamos información.

El lenguaje participa en la manera en que las diferencias adquieren significado.

Es aquí donde el trabajo del psicolingüista brasileño Marcus Maia se vuelve especialmente importante para nuestra pregunta.

Cuando la psicolingüística encuentra otros territorios

Marcus Maia y sus colaboradores han desarrollado investigaciones sobre procesamiento del lenguaje que incluyen lenguas indígenas brasileñas.

Este encuentro también expone un problema de la propia ciencia.

Una parte considerable de la psicología cognitiva y de la psicolingüística experimental se ha construido a partir de poblaciones frecuentemente descritas mediante la sigla WEIRD — Western, Educated, Industrialized, Rich and Democratic.

Cuando los resultados obtenidos dentro de este recorte se transforman automáticamente en modelos universales de lo humano, podemos dejar de percibir otras formas de organización lingüística y cognitiva.

En un trabajo reciente con los Karajá, Marcus Maia, Daniela Cid de Garcia y Juliana Novo Gomes discuten precisamente iniciativas psicolingüísticas Non-WEIRD, en las cuales los participantes indígenas no aparecen solamente como proveedores de respuestas experimentales. Existe también una dimensión metacognitiva, en la que los hablantes pueden reflexionar sobre su propia lengua y sobre los fenómenos investigados.

Esto produce una aproximación importante con nuestra hipótesis.

Tal vez el problema no sea solamente conocer mejor al otro.

Tal vez quien está siendo conocido también deba participar de las categorías utilizadas para comprenderlo.

¿Y si nuestras categorías llegan primero?

Imaginemos una IA entrenada con enormes volúmenes de datos.

Aprende categorías, asociaciones y maneras estadísticamente eficientes de organizar diferencias.

Entonces encuentra un Cuerpo-Territorio.

Existe una tendencia:

encajarlo en las categorías que la máquina ya posee.

Pero ¿qué ocurre si diferencias fundamentales para esa persona ni siquiera existen dentro de la arquitectura clasificatoria del sistema?

Una IA puede hablar perfectamente una lengua y continuar imponiendo categorías producidas en otro contexto.

Esto no significa que cada Cuerpo-Territorio habite un universo incomunicable. Si así fuera, el conocimiento compartido sería imposible.

El desafío está precisamente entre dos extremos:

no asumir que todos producen significado de la misma manera y no asumir que nadie puede compartir significado.

En ese intervalo comienza a surgir una característica importante de la IA Personalísima.

Tal vez la máquina necesite aprender a preguntar

Normalmente pensamos la personalización como la capacidad de ofrecer mejores respuestas.

¿Y si también significara aprender a formular mejores preguntas?

Un sistema informa:

“Tu riesgo aumentó un 17 %”.

Pero podría preguntar:

“¿Prefieres comprenderlo como probabilidad, comparación histórica o situación cotidiana?”

Detecta:

“Tu comportamiento cambió”.

Y pregunta:

“¿Este cambio corresponde a algo que ocurrió en tu vida?”

O infiere:

“Sueles preferir X”.

Pero mantiene abierta otra posibilidad:

“¿Esta descripción todavía tiene sentido para ti?”

El lenguaje deja de ser solamente el canal utilizado por la IA para entregar una conclusión.

Pasa a formar parte del mecanismo mediante el cual esa conclusión permanece abierta a la producción de significado.

No estamos proponiendo negociar los hechos.

Estamos permitiendo interacción con las interpretaciones.

Cuando quien fue observado puede mirar el dato

Existe una imagen particularmente interesante en las experiencias relatadas por Maia con profesores Karajá.

En actividades que involucraban fenómenos lingüísticos y seguimiento ocular, los datos producidos podían participar posteriormente en reflexiones sobre la lectura y sobre la propia lengua.

Pensemos en el movimiento.

El equipo observa.

Produce un dato.

El investigador analiza.

Pero el dato puede volver.

Y quien estaba siendo observado puede mirar una representación producida a partir de su propia actividad y participar nuevamente del proceso.

No estamos afirmando que Maia o los participantes Karajá hayan propuesto la IA Personalísima. Esa extensión es de BrainLatam.

Lo que esta experiencia nos ayuda a percibir es un principio metodológico:

el participante no necesita permanecer solamente como el lugar del cual se extrae el dato; puede volver a participar de la interpretación de aquello que fue producido a partir de él.

Esto nos aproxima a lo que, en el Blog 1, llamamos restitución.

América Latina no cabe en una sola interfaz

La cuestión se vuelve todavía mayor cuando pensamos en nuestro territorio.

La Década Internacional de las Lenguas Indígenas, promovida por las Naciones Unidas entre 2022 y 2032, llama la atención sobre la enorme diversidad lingüística y los riesgos que enfrentan muchas de estas lenguas.

En América Latina, iniciativas recientes también han abordado la presencia digital, las tecnologías lingüísticas y la participación de las propias comunidades.

Esto sugiere que tal vez sea insuficiente seguir el modelo:

primero construimos la tecnología; después traducimos la interfaz.

Necesitamos preguntar antes:

¿qué diferencias es capaz de percibir esta tecnología?

Una lengua no es simplemente un conjunto diferente de palabras utilizadas para nombrar las mismas cosas.

Participa de historias, relaciones y maneras culturalmente situadas de organizar experiencias.

Esto tampoco debe romantizarse como algo inmutable.

Los Cuerpos-Territorios cambian.

Las lenguas cambian.

Las culturas cambian.

La relación con las tecnologías también crea nuevas maneras de producir significado.

Por eso, una IA Personalísima no debería intentar descubrir el “lenguaje definitivo” de alguien.

Necesitaría continuar aprendiendo con esa persona.

El dato necesita reencontrarse con quien lo produjo

En el Blog 1 propusimos:

Cuerpo-Territorio → dato → procesamiento → IA Personalísima → restitución → interpretación → cuestionamiento/transformación → nuevos datos.

Ahora percibimos que faltaba algo entre restitución e interpretación:

producción de significado.

Podemos ampliar la secuencia:

Cuerpo-Territorio → dato → procesamiento → IA Personalísima → restitución → lenguaje/significación → interpretación por el Cuerpo-Territorio → cuestionamiento/transformación → nuevos datos.

Si no existe un puente de significado, el dato puede volver físicamente sin volver cognitivamente.

Llegó a la pantalla.

No necesariamente llegó a la persona.

Hipótesis BrainLatam: el lenguaje también forma parte de la restitución

Llegamos entonces a la segunda hipótesis de esta W41/2026:

Una IA Personalísima no debería solamente aprender sobre un Cuerpo-Territorio. Debería aprender continuamente cómo devolver sus representaciones de manera que ese Cuerpo-Territorio pueda participar en la producción de significado sobre ellas.

Esto cambia la pregunta.

En lugar de preguntar solamente:

“¿Cómo podemos explicar esto de manera más sencilla?”

podemos preguntar:

“¿Qué diferencias son relevantes para que este Cuerpo-Territorio pueda interactuar con esta representación?”

Tal vez sean necesarias palabras.

Tal vez imágenes.

Números.

Sonidos.

Relaciones espaciales.

Ejemplos vinculados al territorio.

O combinaciones que todavía no conocemos.

La IA Personalísima no debería decidir de antemano cuál es el lenguaje correcto.

Necesitaría descubrirlo con el Cuerpo-Territorio.

Y quizás sea precisamente este con el que comienza a preparar nuestro paso de lo individual a lo colectivo.

Porque el lenguaje nunca ocurre completamente en soledad.

Aprendemos signos con otros. Discrepamos. Reorganizamos significados. Creamos nuevos hábitos.

Si diferentes Cuerpos-Territorios producen significado de maneras diferentes, ¿cómo pueden construir algo en común?

¿Cómo compartir sin exigir que todos interpreten de la misma manera?

¿Cómo pertenecer sin entregar a alguien el poder de definir por sí solo el significado?

Es aquí donde lentamente nos aproximamos a Jiwasa — “Nosotros / La gente”: sentir pertenencia sin necesidad de reducir el Ser.

Todavía no hemos llegado al Jiwasa colectivo.

Antes necesitamos enfrentar otra diferencia fundamental.

Una IA puede aprender nuestro lenguaje, nuestros hábitos y nuestros signos. Puede construir representaciones cada vez más precisas sobre nosotros.

Pero aquello que consigue decir sobre mí todavía no soy yo.

Por eso nuestro próximo ensayo comienza con una frase sencilla:

El dato no eres tú.

Referencias comentadas — América Latina, posteriores a 2021

MAIA, Marcus; CID DE GARCIA, Daniela; GOMES, Juliana Novo. Non-WEIRD (psycho)linguistic endeavors: theoretical and metacognitive research with the Karajá of Central Brazil. Revista Linguíʃtica, 2023/2024.
Referencia central de este ensayo. Discute los límites de la predominancia WEIRD en la investigación psicolingüística y experiencias de investigación con los Karajá que incluyen una dimensión metacognitiva y una mayor participación de los propios hablantes.

MAIA, Marcus. Focalizando e Topicalizando na língua Karajá: brincando epilinguisticamente. UFRJ, 2022.
Presenta experiencias con profesores Karajá que involucran reflexión lingüística y datos experimentales. Para la hipótesis BrainLatam, ayuda a pensar el paso del participante como fuente de datos al participante involucrado en su interpretación.

MAIA, Marcus; GOMES, Juliana Novo. Cultural attitudes and linguistic processes in Karajá. Linguistic Approaches to Bilingualism, 2023.
Contribuye a comprender cómo los procesos lingüísticos, el bilingüismo y las actitudes culturales pueden participar de una misma ecología lingüística, evitando tratar lengua y contexto como dimensiones independientes.

LLANES-ORTIZ, Genner. Digital Initiatives for Indigenous Languages: Creating Digital Futures for Indigenous Languages. UNESCO, 2023.
Reúne estrategias y experiencias relacionadas con las lenguas indígenas en los ambientes digitales y destaca la participación de los propios pueblos indígenas en la construcción de futuros tecnológicos para sus lenguas.

UNESCO. Empowering Indigenous Languages in the Digital Age: A Toolkit for Action. 2023.
Ayuda a desplazar la discusión más allá de la simple digitalización de las lenguas hacia cuestiones de participación, presencia digital, creación tecnológica y relaciones de las comunidades con sus propias lenguas.

GONZÁLEZ ZEPEDA, Luz Elena; MARTÍNEZ PINTO, Cristina Elena. Inteligencia artificial centrada en los pueblos indígenas: perspectivas desde América Latina y el Caribe. UNESCO, 2023.
Importante para pensar una IA latinoamericana que no trate la diversidad cultural como un problema posterior de adaptación de la interfaz, sino como una dimensión relevante desde la propia concepción de la tecnología.

W41/2026 — CEPID: De la IA Personalísima al Futuro Colectivo

Hipótesis BrainLatam: devolver el dato no significa solamente hacerlo llegar nuevamente a la persona. El dato vuelve cuando consigue reencontrarse con el Cuerpo-Territorio en un lenguaje en el que este pueda participar de la producción de su significado.