En este Radar, tecnología no designa únicamente a la inteligencia artificial generativa. Incluye también diccionarios y corpus digitales, plataformas de empleo, sistemas de recomendación, teléfonos, alarmas y redes sociales. La IA ocupa una zona más específica dentro de ese conjunto: modelos que clasifican, predicen o generan a partir de datos previamente organizados.
Esta distinción permite observar una operación común. Para que un sistema procese una lengua, una trayectoria laboral o una tradición, primero debe convertirlas en algo legible. La legibilidad no equivale a comprenderlas por completo. Consiste en traducir su complejidad a grafías, categorías, campos, imágenes, sonidos y etiquetas que una infraestructura pueda almacenar y comparar.
El Radar de hoy recorre tres situaciones distintas. En Centroamérica, representantes mayangna y tawahka trabajan sobre variantes lingüísticas, currículos y diccionarios. En Etiopía, una investigación muestra cómo el desempleo prolongado suspende las transiciones hacia la adultez, mientras las plataformas digitales prometen mejorar la conexión entre personas y vacantes. En Indonesia, una práctica religiosa pierde parte de su función original con la expansión de las alarmas personales y reaparece como festival, patrimonio y contenido para redes.
Los tres casos permiten seguir la misma secuencia sin confundir sus diferencias. Primero se produce una representación. Después llega la tecnología capaz de clasificarla, recomendarla o recrearla. Sin embargo, la historia no termina ahí. Una vez desplegados, los sistemas también reorganizan aquello que los alimentó: refuerzan algunas variantes, vuelven visibles determinadas competencias y hacen circular ciertas imágenes del pasado por encima de otras.
Antes del modelo hay que decidir cómo se escribe una lengua
Entre el 13 y el 17 de julio se celebra el VI Encuentro Binacional Honduras–Nicaragua sobre la Revitalización de la Lengua Mayangna. El espacio reúne a especialistas, docentes, lingüistas y personal técnico mayangna de Nicaragua y tawahka de Honduras. Sus mesas trabajan sobre las distintas variantes, la actualización de documentos curriculares y la elaboración de diccionarios para cuatro variantes lingüísticas. La noticia fue publicada por el Fondo para el Desarrollo de los Pueblos Indígenas de América Latina y el Caribe.
No se anuncia un traductor automático ni un modelo de inteligencia artificial. Su vínculo con la tecnología se encuentra en una fase anterior.
Para que una lengua pueda incorporarse a un teclado, un buscador, un corrector ortográfico, una aplicación educativa o un sistema de procesamiento del lenguaje natural, necesita algún tipo de documentación estructurada. Hay que acordar grafías, describir variaciones, relacionar palabras con significados y decidir cómo se ordenan los materiales.
Estas tareas no son neutrales. La normalización puede facilitar la enseñanza y la transmisión intergeneracional, pero también puede convertir una variante en referencia para las demás. Un diccionario puede fortalecer una lengua y, al mismo tiempo, fijar fronteras donde existen usos situados, formas superpuestas o acuerdos territoriales distintos.
La cuestión de la legibilidad aparece también en un trabajo publicado en julio en el encuentro AmericasNLP. Sus autores describen la distancia entre las herramientas orientadas a especialistas —centradas en anotación, análisis morfológico y archivo— y las aplicaciones destinadas a las comunidades, más enfocadas en el aprendizaje y la accesibilidad. También señalan obstáculos como el coste del conocimiento informático, los flujos de trabajo individuales y una gobernanza limitada de los datos.
Como respuesta, presentan langlit, una plataforma colaborativa con corpus consultable, diccionario editable, procedencia de las anotaciones, controles configurables de acceso e integración opcional de modelos lingüísticos con tratamiento transparente de los datos. El artículo está disponible en la ACL Anthology y mediante su DOI.
¿Quién decide qué forma lingüística se vuelve legible para la máquina?
La IA no recibe una lengua intacta. Recibe una representación producida mediante reuniones, escuelas, diccionarios, categorías y negociaciones territoriales. Cuando empieza el entrenamiento, muchas decisiones culturales ya han sido tomadas.
Pero el modelo también puede volver sobre ellas. Si una variante dispone de más ejemplos, mejores herramientas y mayor presencia en aplicaciones, su ventaja técnica puede transformarse en autoridad lingüística. Lo que se decidió para facilitar la documentación puede acabar influyendo en cómo las nuevas generaciones aprenden, escriben y reconocen la lengua.
Una plataforma puede ordenar oportunidades, pero no crear el futuro
Una investigación publicada el 5 de junio estudia las experiencias de 21 personas jóvenes desempleadas de larga duración en la ciudad etíope de Hosanna. Sus autores, vinculados a las universidades de Gondar y Bahir Dar, muestran que la falta prolongada de empleo produce efectos que van mucho más allá de la pérdida de ingresos. Interrumpe las transiciones socialmente reconocidas hacia la adultez, erosiona las aspiraciones, aumenta la dependencia, debilita la cohesión social y favorece la desafección política y las migraciones de riesgo. El artículo puede consultarse en Discover Sustainability y mediante su DOI.
Este estudio no analiza inteligencia artificial ni plataformas laborales. Se incorpora al Radar precisamente como contraste frente a las promesas de digitalización del empleo. Permite preguntar qué parte del problema puede resolver una infraestructura de intermediación y qué parte permanece fuera de su alcance.
En Etiopía, HaHuJobs reúne en una plataforma ofertas que antes estaban dispersas. Un análisis del Banco Mundial sostiene que esa concentración ha mejorado las tasas de acceso al empleo. El mismo texto presenta un ecosistema internacional de plataformas que utiliza algoritmos para emparejar perfiles y vacantes, recomendar ocupaciones o ayudar a traducir experiencias a currículos legibles para las empresas.
La Estrategia Continental de Inteligencia Artificial de la Unión Africana plantea que la IA puede estimular nuevas industrias, innovación y empleos de mayor valor mediante un enfoque africano, inclusivo y responsable.
El contraste con Hosanna obliga a separar dos dimensiones. Una plataforma puede reducir la distancia entre una vacante existente y una persona que busca trabajo. Puede ordenar anuncios, facilitar candidaturas y mejorar la circulación de información. No puede, por sí sola, diversificar una economía local, crear suficientes puestos dignos ni reparar los efectos sociales acumulados durante años de espera.
La legibilidad laboral introduce además sus propias exclusiones. Para entrar en un sistema, una trayectoria debe convertirse en campos reconocibles: estudios, años de experiencia, competencias, ubicación y disponibilidad. Trabajos agrícolas, cuidados, actividades informales o saberes adquiridos fuera de instituciones pueden quedar mal representados. También quedan en desventaja quienes tienen conectividad inestable, no dominan el idioma de la interfaz o no pueden ajustar su experiencia a las categorías exigidas.
La búsqueda de empleo no consiste únicamente en emparejar competencias y vacantes. También organiza dignidad, reconocimiento, proyectos familiares, pertenencia urbana y expectativas sobre el paso del tiempo.
Un algoritmo puede acelerar una búsqueda. No puede devolver los años durante los que una persona quedó suspendida entre la juventud y una adultez socialmente aplazada.
El caso etíope no sirve como evidencia directa sobre los efectos de la IA. Funciona como un límite empírico para sus promesas. La eficiencia de la intermediación no equivale a creación de empleo, y una mejora en el emparejamiento no resuelve la escasez estructural de oportunidades.
Al mismo tiempo, las plataformas no se limitan a representar el mercado laboral. Sus categorías, recomendaciones y métricas pueden influir en los cursos que se ofrecen, las habilidades que las personas intentan adquirir y los perfiles que las empresas consideran deseables. La representación inicial vuelve así sobre el mundo que pretendía describir.
Cuando una alarma deja de ser necesaria, puede comenzar el patrimonio
En diferentes regiones de Indonesia existen prácticas comunitarias destinadas a despertar a la población antes del sahur, la comida que precede al ayuno diario durante el Ramadán. Adoptan formas locales como ronda sahur en Java, sahur bagarak en Kalimantan Meridional, arakan sahur en Jambi o keliling sahur en Langkat.
Tradicionalmente, estas prácticas utilizaban instrumentos como el kentongan, el bedug o el rebana para señalar colectivamente la hora. Un artículo publicado el 30 de junio explica que esa función práctica ha sido desplazada por teléfonos, relojes y alarmas personales. La costumbre, sin embargo, no ha desaparecido. Se ha reconstruido como festival, procesión de Ramadán, actuación artística, paisaje sonoro comunitario y documentación para redes sociales. El estudio fue publicado por Heritage of Nusantara y cuenta con el DOI 10.31291/hn.v15i1.887.
La tecnología actúa aquí de forma paradójica. Primero vuelve menos necesaria la función colectiva de despertar. Después ofrece los dispositivos con los que ese mismo acto puede grabarse, editarse, compartir y reconocer como patrimonio.
La práctica deja de servir únicamente para indicar una hora. Empieza a representar identidad local, solidaridad religiosa y continuidad entre generaciones. No se conserva permaneciendo igual, sino cambiando de función.
Entre la alarma personal y la IA generativa existe un paso intermedio decisivo: la documentación digital. Las cámaras y plataformas convierten recorridos, instrumentos, sonidos y participantes en materiales circulables. Esa circulación no incluye todas las versiones por igual. Tiende a favorecer las más visibles, espectaculares o adaptadas a las lógicas de cada plataforma.
Un artículo publicado el 20 de mayo en Culture Unbound permite observar el siguiente tramo. La investigación analiza las respuestas públicas a imágenes generadas mediante IA de figuras y lugares históricos de Indonesia difundidas por la cuenta AI Nusantara en TikTok. Los comentarios se agrupan alrededor de la precisión, la curiosidad tecnológica y el conocimiento compartido. Las audiencias comparan las recreaciones con referencias académicas, expectativas culturales y saberes locales. El artículo está disponible en Culture Unbound y mediante su DOI.
La IA no reproduce simplemente un patrimonio ya definido. Produce imágenes nuevas que participan en la manera en que el pasado se imagina, se discute y se reconoce. La autenticidad deja entonces de depender solo del parecido con un objeto histórico. También importa quién seleccionó las fuentes, qué ausencias contiene el modelo, qué autoridad valida la reconstrucción y cómo intervienen las comunidades relacionadas con aquello que se representa.
La documentación del sahur no es el conjunto de entrenamiento de ese estudio ni existe evidencia de que se esté utilizando para generar nuevas imágenes. La relación es prospectiva. Muestra cómo el material que hoy se selecciona para las redes puede convertirse mañana en referencia, archivo o dato para otros sistemas.
La tecnología no archiva una tradición sin transformarla en una determinada versión de sí misma.
Una vez producida, esa versión puede regresar a la práctica. Las imágenes más difundidas pueden orientar festivales posteriores, expectativas turísticas, reconstrucciones institucionales o nuevas generaciones de contenido automatizado. La memoria digital no solo conserva. También propone un canon.
La legibilidad nunca es el final
Los tres casos no describen el mismo proceso. El encuentro mayangna no desarrolla un sistema de IA. La investigación etíope no evalúa plataformas digitales. El estudio sobre el sahur analiza principalmente modernización, patrimonio y redes sociales.
Su relación aparece en las infraestructuras sociales que preceden a los modelos.
En el primer caso, una lengua se convierte en grafías, variantes documentadas, currículos y diccionarios. En el segundo, una trayectoria se convierte en un perfil de competencias, experiencia y disponibilidad. En el tercero, una práctica se convierte en imágenes, sonidos y descripciones capaces de circular fuera de su contexto.
La IA opera sobre esas representaciones. Sus resultados dependen de quién estableció las categorías, qué quedó fuera, quién puede corregir los datos y qué institución adquiere autoridad para hablar en nombre de una lengua, una trayectoria o una tradición.
Pero decir que la tecnología llega después no significa que todo quede decidido de antemano. Una vez desplegada, vuelve sobre las representaciones previas, las ordena y amplifica algunas por encima de otras. Sus resultados se convierten en nuevos datos, nuevas expectativas y nuevos criterios para las decisiones siguientes.
La tecnología puede fortalecer la transmisión lingüística, ampliar el acceso a oportunidades y mantener viva una práctica. También puede fijar una variante, reducir una vida a un perfil o convertir la versión más espectacular en la representación dominante del patrimonio.
No conserva sin seleccionar.
No conecta sin clasificar.
No representa sin producir autoridad.
La pregunta antropológica empieza antes del modelo y continúa después de su despliegue:
¿Quién puede decidir cómo una forma de vida se convierte en información y qué ocurre cuando esa información comienza a decidir sobre ella?
Pistas para seguir
- ¿Qué lenguas, trabajos y prácticas quedan fuera porque nunca llegan a convertirse en datos legibles?
- ¿Qué capacidad tienen las comunidades y las personas para corregir, limitar o retirar las representaciones que alimentan un sistema?
- ¿Cómo cambian las prácticas originales cuando las clasificaciones, recomendaciones e imágenes generadas regresan a ellas?
Referencias
African Union. (2024). Continental Artificial Intelligence Strategy.
Ali, M. N., Lestari, R. y Suhara, A. I. (2026). Waking the Community for Sahur: Ramadan Heritage, Social Solidarity, and Cultural Transformation in Indonesia. Heritage of Nusantara, 15(1), 156–177. https://doi.org/10.31291/hn.v15i1.887
Atmadiredja, G., Wikayanto, A., Ocktaviana, S., Hartanto, A. y Cahyani, D. A. (2026). The Use of Artificial Intelligence in Visualizing Historical and Cultural Objects on Social Media: A Sentiment Analysis of Public Reactions to AI Generated Images of Indonesian Heritage. Culture Unbound, 18(1). https://doi.org/10.3384/cu.5537
Erkie, A. T., Moges, M. D. y Eshete, B. M. (2026). Sustainable futures at risk among long-term unemployed youth in Hosanna City, Ethiopia. Discover Sustainability. https://doi.org/10.1007/s43621-026-03596-w
FILAC. (2026, 15 de julio). Honduras y Nicaragua fortalecen acciones conjuntas para revitalizar la lengua mayangna.
Haberland, C., Crowther, C., Qu, J. y Centellas, A. (2026). Bridging Digital Tools for Linguistic Documentation and Revitalization. En Proceedings of the Sixth Workshop on NLP for Indigenous Languages of the Americas, 22–32. Association for Computational Linguistics. https://doi.org/10.18653/v1/2026.americasnlp-6.3
Meyer, C., Proffen, C., Madhvani, S. y Marguerie, A. (2026, 17 de febrero). Can digital solutions enable more inclusive labor markets? World Bank Blogs.