Cuatrocientos puntos equivalen a un dólar.

Cuando una persona alcanza los 2.000 puntos puede solicitar el equivalente a cinco dólares. Para conseguirlos debe completar tareas lingüísticas, grabar su voz y esperar a que otras personas de la comunidad revisen el resultado.

La grabación tiene que ser clara. Debe corresponderse con lo solicitado y no contener un ruido que impida utilizarla. Si incluye jerga, alternancia de códigos (code-switching) o una expresión regional, alguien tendrá que decidir si su uso resulta verosímil y si el contexto ha sido descrito correctamente.

Solo entonces los puntos dejan de estar pendientes.

Así funciona el modelo que DataHive Africa está probando en Tanzania. La plataforma recopila voz, texto y valoraciones humanas para construir conjuntos de datos destinados al reconocimiento del habla, el ajuste de modelos lingüísticos y la evaluación cultural de sistemas de inteligencia artificial.

El proyecto parte de una constatación sencilla. La lengua desborda lo que aparece en diccionarios, periódicos e instituciones. Al permitir que quienes hablan kiswahili produzcan, revisen y contextualicen los datos, el piloto abre una vía para democratizar la construcción de inteligencia artificial desde Tanzania.

El kiswahili que no entra en el corpus

DataHive Africa se concentra actualmente en el kiswahili hablado en Tanzania. Busca registrar expresiones urbanas, acentos regionales, lenguaje emocional, terminología jurídica cotidiana y formas de alternancia de códigos entre kiswahili e inglés.

Son registros que los grandes corpus elaborados a partir de enciclopedias, periódicos y páginas web representan de manera insuficiente. Un sistema puede traducir una palabra formal y, al mismo tiempo, no comprender cómo se negocia en un mercado, cómo se pide disculpas, cómo se expresa enfado o cómo cambia una frase dentro de un grupo de mensajería.

La propia página de DataHive ilustra la distancia entre el registro callejero y el formal mediante «kitu kidogo» y «rushwa», y publica fragmentos de habla cotidiana que permiten escuchar parte de lo que pretende recopilar.

La página declara más de 17 personas contribuyentes verificadas, 16 categorías dialectales y varias muestras anonimizadas. También describe un procedimiento de seis etapas que comienza con la captación mediante redes comunitarias y termina con la entrega de archivos estructurados para sistemas de reconocimiento automático del habla.

Todavía no se han publicado cifras consolidadas sobre el número de tareas completadas, las horas de audio recopiladas, la tasa de rechazo o la continuidad de las personas contribuyentes.

Entre ambos extremos aparecen el consentimiento previo, la asignación de tareas según el perfil lingüístico, la revisión humana, la evaluación automatizada de calidad y la creación de registros de procedencia.

La diferencia importa.

Recopilar una lengua implica acumular grabaciones y también decidir qué personas representan una variedad, qué diferencias merecen una etiqueta, qué errores deben corregirse y qué formas de hablar serán reconocidas como datos válidos.

Clave AIthropology Lab — Un corpus no descubre una lengua tal como existe. La organiza mediante tareas, categorías, umbrales de calidad y decisiones sobre quién puede hablar en su nombre.

Hablar también es trabajar

DataHive presenta a quienes aportan contenidos como personas contribuyentes y reconoce la grabación, la revisión y la contextualización como formas de trabajo lingüístico.

Según la explicación facilitada por su fundador, cada tarea aprobada genera puntos convertibles en dinero. La plataforma emplea tres niveles, cuyos nombres oficiales se inspiran en una colmena —Larva, Worker y Queen Bee— y prevé procesar las retiradas mediante servicios locales de dinero móvil. Junior Makwala ha precisado que esas integraciones se encuentran todavía en desarrollo y no están plenamente operativas en la plataforma de producción.

Su diseño móvil intenta reducir una barrera frecuente en las plataformas internacionales. Muchas personas pueden aportar conocimiento, voz o trabajo desde Tanzania, pero no necesariamente disponen de cuentas bancarias compatibles con los sistemas de pago utilizados por empresas extranjeras.

El dinero móvil, cuando las integraciones previstas estén operativas, podría facilitar la participación y mantener dentro del entorno local una parte de la circulación económica que acompaña a la recopilación.

Los puntos fijan un precio para cada tarea. La empresa podrá después reunir miles de tareas, convertirlas en un conjunto de datos y licenciarlo a organizaciones que desarrollen productos comerciales. La diferencia entre el pago inicial y el valor posterior del corpus forma parte del modelo económico.

Además del pago, importa quién establece la equivalencia entre una grabación y una cantidad de puntos, cuánto tiempo requiere cada tarea y cómo pueden participar las personas contribuyentes en las condiciones de uso del corpus.

Los puntos y los niveles organizan la participación y hacen visible el progreso dentro de la plataforma. Sus efectos prácticos serán más claros a medida que avance el piloto y se conozcan mejor los tiempos por tarea y las pautas de revisión.

La metáfora de la colmena hace visible una producción colectiva en la que cada grabación, revisión y decisión contextual contribuye a construir un corpus común. Los nombres Larva, Worker y Queen Bee sitúan cada aportación dentro de ese trabajo compartido.

La comunidad que revisa a la comunidad

Las contribuciones pasan primero por una revisión entre pares.

Las personas encargadas de esta fase comprueban la calidad del audio, la correspondencia con la consigna y la ausencia de ruidos que impidan utilizar la grabación. Los puntos permanecen pendientes hasta que el material es aprobado.

Una segunda fase se ocupa del contenido lingüístico y cultural. Responsables con experiencia en kiswahili revisan de manera selectiva la jerga, las variaciones regionales, el lenguaje emocional y la alternancia de códigos.

Esta organización reconoce algo que los sistemas automatizados no pueden resolver por sí solos.

Una frase puede estar técnicamente bien grabada y ser culturalmente inverosímil. Una traducción puede parecer correcta y perder el tono de un reproche, una broma o una negociación. Una expresión puede utilizarse en una ciudad y resultar extraña en otra.

El conocimiento necesario para detectar estas diferencias no procede únicamente de una titulación lingüística. También se forma mediante la participación cotidiana en una comunidad de habla.

DataHive convierte ese conocimiento en una función dentro de su cadena de producción. Las personas no solo generan grabaciones. También verifican, clasifican y contextualizan el habla de otras personas.

Esta dimensión diferencia el proyecto de la extracción automatizada de contenidos de internet. Las personas hablantes actúan como validadoras y el contexto cultural pasa a formar parte de la calidad del dato, en lugar de quedar reducido a ruido o excepción.

La revisión comunitaria hace visible que la calidad lingüística también depende del conocimiento situado. El reto será convertir esa participación inicial en criterios cada vez más compartidos y transparentes a medida que el proyecto crezca.

El consentimiento es el comienzo

DataHive utiliza consentimiento explícito y un acuerdo público en lugar de extraer contenidos de internet o esconder la recopilación tras procesos opacos. Antes de acceder a las tareas, las personas participantes deben aceptar el DRA-v1.0; la plataforma registra la versión del documento, el momento del consentimiento, la dirección IP y cierta información del dispositivo.

El acuerdo explica en lenguaje directo que la plataforma podrá utilizar grabaciones, textos, imágenes y metadatos para crear conjuntos de datos que serán vendidos o licenciados a empresas y organizaciones de investigación.

La licencia concedida es mundial, sublicenciable y libre de regalías adicionales después del pago inicial. Para las contribuciones ya aprobadas y vendidas, tiene carácter permanente. El documento contempla usos en reconocimiento del habla, modelos lingüísticos, investigación comercial y académica, así como síntesis y clonación de voz de forma agregada.

Las personas pueden dejar de participar, solicitar una copia de sus aportaciones y pedir la eliminación de determinados datos. Sin embargo, el acuerdo advierte de que el material ya vendido a terceras partes no puede recuperarse.

La transparencia del documento permite conocer de antemano la relación que se establece. Sus límites también quedan indicados: el material ya licenciado no siempre puede recuperarse y la voz puede conservar rasgos identificativos incluso cuando se retiran nombres y datos de contacto. A medida que surjan nuevos usos, será importante mantener comprensibles estas condiciones y las opciones de las personas contribuyentes.

Construir desde Tanzania

DataHive Africa lanzó su piloto operativo en mayo de 2026, después de una etapa de diseño y pruebas iniciada durante los primeros meses del año.

Junior Makwala, fundador del proyecto, afirma tener 20 años y haber diseñado y programado la infraestructura como fundador único, sin capital inicial. También afirma que la empresa ha completado su inscripción ante la Business Registrations and Licensing Agency de Tanzania.

Este origen muestra una iniciativa técnica local surgida de la realidad móvil de África Oriental. La plataforma, a su vez, depende de las voces, las revisiones y las relaciones comunitarias que convierten el diseño inicial en una infraestructura colectiva.

Makwala pertenece a una generación que vive simultáneamente la expansión de la conectividad móvil, la circulación entre kiswahili e inglés y la llegada de sistemas de inteligencia artificial entrenados principalmente fuera de África Oriental.

No observa la brecha lingüística desde un laboratorio extranjero. La encuentra en las maneras cotidianas de hablar y en sistemas que pueden reconocer una forma normativa de kiswahili mientras fracasan ante una expresión urbana, una alternancia de códigos o una referencia local.

Construir la plataforma desde Tanzania mantiene cerca del lugar de recopilación algunas decisiones técnicas y económicas y amplía quién puede diseñar infraestructura para la inteligencia artificial.

La autonomía tecnológica tampoco significa aislamiento. DataHive busca ofrecer conjuntos de datos a quienes desarrollan inteligencia artificial. Su sostenibilidad dependerá, por tanto, de contratos, clientes, estándares técnicos y mercados distribuidos más allá de Tanzania.

El proyecto ensaya así una conexión entre capacidad tecnológica local, participación comunitaria y una economía global de datos.

Construir inteligencia artificial desde la lengua

El 6 de julio de 2026, durante las actividades del Día Mundial de la Lengua Kiswahili en Bujumbura, la Asamblea Legislativa de África Oriental reclamó una mayor presencia del kiswahili y otras lenguas africanas en la inteligencia artificial y la innovación digital.

Un día después, UNESCO situó el kiswahili en el centro de la economía creadora, los servicios públicos digitales y la justicia lingüística. La organización insistió en que millones de personas piensan, comercian y crean en kiswahili, pero que la lengua necesita una presencia real en internet para que ese futuro digital sea justo.

DataHive forma parte de ese movimiento regional desde una tarea concreta: producir el material que los modelos necesitan para interpretar formas de habla que no aparecen en los corpus convencionales. El kiswahili aparece como práctica social viva, presente en mercados, conversaciones, emociones y alternancias de códigos, y no como un recurso estático de diccionario.

El modelo abre un camino hacia una construcción más participativa de la inteligencia artificial. Quienes hablan la lengua producen los datos, integrantes de la comunidad los revisan y contextualizan, y la compensación establece una relación económica explícita en lugar de una extracción silenciosa. El consentimiento público y la ausencia de web scraping son decisiones metodológicas significativas.

El piloto todavía no resuelve la justicia lingüística. Permite, sin embargo, que las personas hablantes aparezcan como participantes en la producción de inteligencia artificial y no únicamente como una población representada por modelos construidos fuera de su entorno.

La huella pública del proyecto todavía es limitada. Esa escala permite observar decisiones que, en las grandes cadenas de suministro de datos, suelen desaparecer detrás de empresas intermediarias y contratos confidenciales.

Aquí todavía podemos ver a la persona que habla, a quien revisa la grabación, el punto que queda pendiente, la licencia que se concede y el conjunto de datos que comienza a formarse.

Lectura AIthropology Lab

DataHive Africa muestra que una lengua entra en la inteligencia artificial mediante una cadena humana de trabajo.

Alguien diseña una consigna.

Alguien presta su voz.

Alguien revisa el resultado.

Alguien contextualiza la expresión.

Alguien reúne las grabaciones y construye el conjunto de datos.

DataHive Africa ensaya una forma de democratizar la construcción de inteligencia artificial. Las personas que hablan kiswahili no aparecen únicamente como destinatarias de una tecnología creada en otro lugar. Participan en la producción de los datos, en su revisión y en la interpretación cultural que permite convertirlos en una infraestructura útil.

El proyecto todavía se encuentra en una fase temprana, pero hace visible una posibilidad relevante. Una inteligencia artificial lingüísticamente más diversa puede construirse reconociendo el trabajo de quienes hablan, acercando las decisiones al territorio y sustituyendo la extracción silenciosa por una relación explícita de participación, consentimiento y compensación.

Conservar una lengua en la inteligencia artificial significa permitir que sus comunidades intervengan en la manera en que la máquina aprende a escucharla.

Fuentes consultadas