Los modelos de inteligencia artificial más utilizados todavía muestran dificultades para responder con precisión sobre temas vinculados a América Latina y el Caribe. Según Rodrigo Durán, CEO del Centro Nacional de Inteligencia Artificial de Chile e impulsor de Latam GPT, esas herramientas pueden «alucinar» entre 20% y 40% más cuando trabajan sobre información de la región. El problema, explicó, combina falta de datos locales y parámetros de entrenamiento que no ponderan adecuadamente ese conocimiento.

El debate gira en torno a una pregunta cada vez más relevante: si América Latina necesita desarrollar modelos propios o si alcanza con adaptar herramientas globales como ChatGPT, DeepSeek o LLaMA. Para algunos especialistas, la región debería enfocarse en usar los modelos existentes y construir productos específicos. Para otros, como Durán, hace falta generar tecnología abierta entrenada con datos latinoamericanos para reducir sesgos y mejorar el rendimiento.

Qué busca Latam GPT

Latam GPT fue presentado como el primer modelo de lenguaje de código abierto desarrollado específicamente para América Latina y el Caribe. Su objetivo no es competir con los grandes modelos internacionales, sino complementarlos. La idea es que las herramientas globales puedan mejorar sus respuestas sobre la región a partir de datos, benchmarks y metodologías abiertas.

Durán sostuvo que el proyecto nació porque no existía un modelo capaz de responder de manera adecuada sobre temas latinoamericanos. El equipo detectó que los sistemas más avanzados ofrecían respuestas más vagas, menos precisas o directamente erróneas cuando se les preguntaba por historia, geografía o cultura de la región. En cambio, ante temas del norte global, solían entregar información mucho más detallada.

Uno de los ejemplos mencionados fue el cruce de la Cordillera de los Andes por el Ejército Libertador hacia Chile en 1817. Según el especialista, algunos modelos ofrecían una descripción breve y general sobre ese hecho, pero respondían con mucho más detalle sobre episodios europeos ocurridos muchos siglos antes. Para Durán, esa diferencia muestra cómo los datos y los pesos de entrenamiento pueden influir en la calidad final de las respuestas.

Datos locales y sesgos de entrenamiento

El problema no se reduce únicamente a la cantidad de información disponible. Según Durán, también importan los parámetros con los que se entrena cada modelo y el peso que se asigna a determinados conjuntos de datos. En ese punto, Latam GPT busca corregir parte del desequilibrio con un corpus propio y con criterios de entrenamiento pensados para el español latinoamericano.

El proyecto también apunta a liberar datos inéditos y herramientas de comparación. La intención es que investigadores, empresas y desarrolladores puedan revisar cómo se construyó el modelo y usar esa evidencia para mejorar otros sistemas. Desde esa mirada, el valor principal no está solo en el producto final, sino en el conocimiento abierto que deja disponible.

El propio impulsor del proyecto planteó que el mejor escenario sería que Latam GPT deje de ser rápidamente el modelo con mejor rendimiento regional. Si otros sistemas globales incorporan esos aprendizajes y responden igual o mejor sobre América Latina, el objetivo estaría cumplido. Para el equipo chileno, el éxito sería que la inteligencia artificial funcione con la misma calidad para el sur global que para el norte global.

Cómo podría usarse junto a otros modelos

La propuesta no implica que los usuarios deban elegir entre un modelo global y uno latinoamericano. Durán mencionó la posibilidad de usar «mixturas de expertos», una arquitectura en la que distintos modelos intervienen según el tipo de consulta. Un sistema podría responder primero con una herramienta más general y luego derivar la respuesta a Latam GPT si detecta que necesita contexto regional.

Ese enfoque permitiría combinar eficiencia, costo y precisión. Por ejemplo, una pregunta sobre historia o geografía de un país latinoamericano podría requerir una revisión adicional de un modelo entrenado con datos locales. En cambio, consultas más generales o sobre áreas donde los grandes modelos ya tienen alto rendimiento podrían resolverse sin esa intervención.

La lógica detrás de esa combinación es reconocer fortalezas y límites. Latam GPT podría tener mejor desempeño relativo en temas regionales, pero no necesariamente superar a los modelos globales en todos los campos. Por eso, el proyecto se presenta como una pieza complementaria dentro de un ecosistema más amplio de inteligencia artificial.

Qué países están mejor posicionados

Durán también analizó qué países de la región aparecen mejor preparados para adoptar inteligencia artificial. Según su mirada, México y Brasil tienen ventajas en el plano industrial por el tamaño de sus economías y sus sectores productivos. En investigación universitaria, destacó a Argentina y Uruguay como países con buen posicionamiento.

En adopción empresarial vinculada a servicios, mencionó a Chile como uno de los casos más avanzados. A nivel de gobierno, ubicó a Uruguay y Chile entre los países con mejores condiciones. En una mirada general, señaló que Chile, Brasil y Uruguay parecen tener mayor facilidad para una adopción temprana de estas tecnologías.

El debate sobre Latam GPT muestra que la inteligencia artificial no depende solo de capacidad técnica, sino también de representación cultural. Si los modelos conocen poco sobre una región, sus respuestas pueden ser menos útiles, menos precisas o más sesgadas. Para América Latina, el desafío será usar las herramientas globales sin quedar limitada por datos incompletos sobre su propia historia, idioma y realidad social.