Empeoran dos cosas distintas
Cuando un modelo es «más flojo» en un idioma que no es el inglés, eso significa en realidad dos problemas independientes, y conviene separarlos, porque tampoco se arreglan igual.
Uno es cuantitativo: la misma frase se descompone en más tokens, o sea que cuesta más y ocupa más sitio. Se mide con precisión y se sabe de antemano en cualquier modelo. El otro es cualitativo: el modelo vio menos texto en ese idioma, así que va más inseguro en la gramática, en los términos técnicos y en el registro. Esto varía muchísimo de un modelo a otro y solo aparece si lo mides.
El impuesto del tokenizador, en números
Un estudio de 2026 sobre las 24 lenguas de la UE comparó seis tokenizadores distintos. El resultado es sorprendentemente ordenado — se alinea por familias lingüísticas:
| Familia lingüística | Multiplicador frente al inglés |
|---|---|
| Inglés | 1,00 |
| Románicas | 1,5–1,7 |
| Germánicas | 1,7–1,9 |
| Eslavas | 2,2–2,5 |
| Urálicas y bálticas | 2,7–3,0 |
El español queda en 1,46, el húngaro en 2,71, el finés en 2,99. Las lenguas más caras cuestan alrededor del triple que el inglés — por el mismo texto.
¿Qué significa esto en la práctica?
Tres cosas, y las tres se notan al momento.
La factura. Si una tarea cuesta cien dólares al mes en inglés, en español son unos ciento cincuenta, y en una lengua urálica doscientos o trescientos. No porque el modelo sea más caro ahí — mismo modelo, mismo precio por token —, sino porque hay más tokens.
El sitio. Tu context window se vacía en la misma proporción más rápido. Lo que en inglés es un documento de 300 páginas deja sitio para unas 205 en español. Con material largo ese límite llega antes de lo que esperarías.
La velocidad. La salida se produce token a token, así que la respuesta también llega más despacio. En una aplicación de cara al usuario eso se ve.
Calidad: ya hay una vara de medir oficial
Durante mucho tiempo no había a qué agarrarse: las grandes comparativas miden en inglés, y sobre el rendimiento en un idioma pequeño había, como mucho, anécdotas.
En julio de 2026 se publicó EU MMLU, elaborado por la Dirección General de Traducción de la Comisión Europea: más de mil preguntas, traducidas a mano a 16 lenguas de la UE, con unos 250 estudiantes de traducción de 21 universidades. Es la primera vara que no se hizo con traducción automática, así que mide de verdad el rendimiento en cada idioma. Conviene conocerla — pero no basta, por el motivo de abajo.
La prueba propia de cinco minutos
Una vara pública mide lo que mide. Tus textos, no. Cinco tareas, cada una sacando a la luz un tipo de fallo distinto:
- Gramática. Entrégale una frase y pídela en otro registro, otra persona, otro número. Los fallos de concordancia y de conjugación saltan aquí al instante.
- Término técnico. Entrégale un párrafo profesional de tu propio campo. Fíjate en si usa el término asentado en tu idioma o calca el inglés.
- Registro. Pide una respuesta a un cliente en tono directo y de tuteo. Muchos modelos pasan automáticamente a un oficialismo rígido fuera del inglés.
- Formatos. Pide una fecha, un importe, una dirección y un teléfono en el formato local. Aquí el patrón inglés se cuela con frecuencia.
- Hechos locales. Pregunta por una norma o una institución de tu país. No miras si lo sabe — miras si se inventa algo en lugar de decir que no lo sabe.
¿Cómo puntuarlo?
No por impresión. En las cinco tareas escribe de antemano cuál es la buena respuesta y después cuenta cuántas salieron bien. Pasado por dos o tres modelos, esto es media hora en total, y dice más que cualquier clasificación.
Un detalle importante: pasa la misma prueba por el nivel barato y el caro del modelo. El rendimiento en un idioma pequeño suele variar mucho más entre niveles que entre fabricantes — así que puede que no tengas que cambiar de fabricante, solo de nivel dentro de él.
¿Qué hacer si va flojo?
Cuatro cosas, de la más barata a la más cara:
- Escribe el prompt en inglés y pide la respuesta en tu idioma. El modelo entiende la instrucción con más precisión en inglés; el idioma de salida se puede indicar aparte. Esto solo ya resuelve el problema muchas veces.
- Dale un glosario. Cuatro o cinco términos de tu campo: «esto lo escribimos así». Es la frase con mejor retorno de todo el prompt.
- Dale dos ejemplos. Una buena muestra en tu idioma vale más que diez instrucciones — de eso trata Ejemplos few-shot por extenso.
- Pon la instrucción importante al final. Con material largo esto cuenta igual que en inglés, solo que el texto se vuelve «largo» antes.
Lo que no hay que hacer
No hagas fine-tuning por esto. La debilidad lingüística rara vez se arregla entrenando, y cuesta órdenes de magnitud más que los cuatro pasos de arriba. ¿Fine-tuning, RAG o un prompt mejor? dice dónde está la frontera.
No traduzcas ida y vuelta. El «lo escribo en inglés y luego lo hago traducir» es una pérdida doble: la traducción añade desviación de significado encima de la rigidez. Pídelo directamente en tu idioma, con los trucos de arriba.
Qué llevarte
Hay dos problemas separados: el impuesto del tokenizador y la calidad lingüística. El primero lo sabes de antemano — hasta el triple de tokens, visible en la factura, en el context window y en la velocidad. El segundo hay que medirlo: cinco tareas, dos modelos, media hora. Y si el resultado es flojo, pasa primero el prompt al inglés y añade un glosario — cambiar de modelo viene después.