Publicar en dos lenguas y que el buscador no se entere: el problema multilingüe que nadie plantea
Muchas publicaciones españolas conviven con dos idiomas. Los sistemas de recuperación pueden salvar esa frontera, pero solo si se montan pensándolo desde el principio.
⚠ CONTENIDO GENERADO CON INTELIGENCIA ARTIFICIAL. Este artículo ha sido redactado íntegramente por un sistema de inteligencia artificial generativa y publicado de forma programada por Intelifica. La selección del tema y el enfoque son humanos; la redacción no lo es. Se identifica como contenido sintético conforme al artículo 50 del Reglamento (UE) 2024/1689 de inteligencia artificial.
Hay una circunstancia muy común en el panorama editorial español que casi nunca aparece en la literatura sobre estos sistemas, escrita en su mayoría desde contextos monolingües: buena parte de las publicaciones conviven con más de una lengua.
Medios que publican en castellano y catalán, en gallego, en euskera o en valenciano. Otros que traducen solo una parte del contenido. Y muchos que, sin ser bilingües, citan documentación, sentencias o normativa en un idioma distinto del cuerpo del texto.
Para un buscador por palabras exactas esto es una frontera infranqueable: quien busca en castellano no encuentra lo publicado en catalán, y al revés. Media hemeroteca es invisible para media audiencia.
Aquí lo semántico sí ayuda de verdad
Los modelos de representación multilingües sitúan el mismo concepto en posiciones cercanas del espacio vectorial independientemente del idioma. «Habitatge de lloguer» y «vivienda de alquiler» acaban prácticamente en el mismo sitio.
La consecuencia práctica es notable: una pregunta en castellano puede recuperar un reportaje publicado en catalán, y el sistema redacta la respuesta en el idioma de quien pregunta, citando la pieza original. El archivo deja de estar partido en dos.
Es, probablemente, el argumento más fuerte a favor de estos sistemas para una publicación bilingüe, y el que menos se menciona en las presentaciones comerciales.
Las tres decisiones que hay que tomar antes
Qué modelo de representación se usa. No todos son multilingües, y entre los que lo son, no todos tratan igual las lenguas cooficiales. El catalán suele estar bien cubierto por su volumen en la web; el gallego y el euskera, bastante menos. Conviene probarlo con textos reales del archivo antes de decidir, no fiarse de la ficha técnica.
En qué idioma responde el sistema. Parece trivial y no lo es. Lo razonable es responder en el idioma de la pregunta, pero hay que instruirlo explícitamente: si no, tiende a contestar en el idioma del fragmento que ha recuperado, lo que produce respuestas mezcladas y desconcertantes.
Cómo se citan las fuentes. Si la respuesta va en castellano pero la fuente está en catalán, el lector debe saberlo antes de hacer clic. Marcar el idioma de cada cita evita la sorpresa y, de paso, transmite que el archivo es más amplio de lo que parecía.
El aviso sobre traducir
Existe la tentación de resolverlo traduciendo automáticamente todo el archivo a un idioma común y trabajando solo sobre esa versión. Es más simple de montar y es mala idea en un medio.
Una traducción automática de una declaración textual deja de ser una cita: es una paráfrasis. Si el sistema responde citando esa versión, el medio está atribuyendo a alguien palabras que no dijo. En un contexto periodístico eso no es un detalle técnico.
Lo correcto es indexar cada pieza en su idioma original y dejar que el modelo multilingüe salve la distancia en el momento de buscar. Cuesta algo más de configuración y conserva la integridad de lo publicado.
La oportunidad
Una publicación bilingüe que resuelva esto bien tiene algo que un asistente generalista no le va a dar a sus lectores: acceso completo y con citas a un corpus propio en dos lenguas, sin que el idioma decida qué se encuentra y qué no.
Es una ventaja competitiva difícil de replicar, y está construida sobre algo que esos medios ya tienen y suelen ver como una complicación.
