El 31 de julio de 2025 se cerró el corte de datos del primer corpus de LatamGPT. Lo que quedó dentro son 188 millones de documentos, 296,500 millones de tokens y 152 datasets provenientes de veinte países. Sobre esa base, un equipo coordinado desde el Centro Nacional de Inteligencia Artificial de Chile realizó un preentrenamiento continuo sobre Llama 3.1 de 70,000 millones de parámetros, aplicó ajuste supervisado y publicó el modelo resultante en acceso abierto. La región produjo su primer modelo de lenguaje entrenado deliberadamente con su propia memoria cultural.
El dato que merece atención de los tomadores de decisión dominicanos aparece en otro lugar del proyecto: de 429 sitios web analizados para incorporación al corpus, apenas 125 sobrevivieron la auditoría de licencias. Menos de un tercio.
Esa cifra describe con precisión el estado de la infraestructura informacional latinoamericana. Existe material, existen instituciones dispuestas a compartirlo y existe capacidad técnica para procesarlo. Lo que escasea es claridad jurídica sobre qué puede usarse, bajo qué condiciones y con qué trazabilidad.
El equipo de LatamGPT resolvió el problema del modo más costoso disponible: quince personas, iteraciones sucesivas de revisión manual con respaldo documental sitio por sitio, verificación de políticas de uso y filtrado por gestión de riesgos. Un abogado incorporado al pipeline técnico. Ese esfuerzo produjo un activo reutilizable, y también dejó a la vista que ningún país de la región cuenta hoy con un régimen de excepción para minería de textos y datos con fines de investigación comparable al artículo 4 de la directiva europea de derecho de autor o a las disposiciones de Singapur y Japón sobre análisis computacional. La ausencia de ese marco convierte cada proyecto regional de IA en una negociación legal desde cero.
El costo de esperar a que la tecnología madure
La respuesta institucional predominante ante la inteligencia artificial en América Latina ha sido la formulación de estrategias nacionales, la creación de comisiones y la redacción de principios éticos. República Dominicana avanzó en esa dirección con la Estrategia Nacional de Inteligencia Artificial y ocupa el noveno lugar del Índice Latinoamericano de Inteligencia Artificial con una puntuación cercana a 45 puntos, por encima del promedio regional y a considerable distancia de Chile, que lidera con 70.6. La brecha entre ambas posiciones no se explica principalmente por diferencias presupuestarias. Se explica porque Chile decidió construir algo y aprender del proceso de construirlo.
LatamGPT funciona como demostración empírica de esa diferencia. El proyecto no esperó a tener resuelta la gobernanza de datos antes de comenzar; descubrió cómo debía gobernarlos mientras los recolectaba. Estableció tres niveles de disponibilización —abierto en Hugging Face, acceso bajo solicitud formal para investigación, y uso exclusivo bajo acuerdo institucional— porque el trabajo con fuentes reales lo exigió. Incorporó una restricción que impide a entidades con ingresos anuales superiores a mil millones de dólares utilizar el corpus sin autorización escrita previa, decisión que ningún documento de estrategia nacional habría anticipado sin la experiencia previa de haber compilado el material. La arquitectura de gobernanza emergió de la práctica, y por eso resiste el contacto con la práctica.
Aquí opera un concepto que podemos describirlo como emprendimiento público: instituciones estatales y académicas asumiendo el riesgo de construir infraestructura que el mercado no produce porque el retorno privado resulta insuficiente frente al retorno social. El Ministerio de Ciencia chileno, CENIA, el Data Observatory y el Banco de Desarrollo de América Latina asumieron ese riesgo. El resultado es un bien público regional del que República Dominicana ya se beneficia sin haber contribuido proporcionalmente a su creación.
La contribución dominicana existe y es desigual
El benchmark Trueque, componente de evaluación del proyecto, reunió 2,296 preguntas de veinte países mediante aportes de más de cien instituciones. República Dominicana ocupa el cuarto lugar por volumen de preguntas aportadas, detrás de Ecuador, Colombia y México. Ese desempeño refleja una comunidad técnica y académica activa, dispuesta a participar cuando se le abre un canal concreto de participación.
La asimetría aparece en la otra dimensión del proyecto. La distribución geográfica de alianzas estratégicas suscritas entre 2023 y 2026 muestra treinta convenios en Chile, diez en Argentina, cinco en México, Colombia y Perú, y dos en República Dominicana. La participación individual dominicana superó ampliamente a la participación institucional. Personas contribuyeron; organizaciones se mantuvieron mayormente al margen.
Esa distancia entre capacidad individual y compromiso institucional constituye el problema de política pública más tratable de los que aquí se plantean. Corregirla no requiere presupuesto de infraestructura de cómputo ni reforma legislativa. Requiere que universidades, archivos, medios, entidades del sector público con acervos documentales y organizaciones de la sociedad civil identifiquen qué colecciones poseen, determinen bajo qué licencia pueden compartirlas y establezcan el contacto.
Para aquellos interesados, la dirección latam-gpt@cenia.cl está publicada y el proyecto declara explícitamente su interés en cubrir los vacíos de los países con menos datos representados.
Lo que la segunda versión hace posible
LatamGPT 2.0 define tres objetivos: profundizar el conocimiento latinoamericano incorporando dialectos y lenguas originarias, sumar capacidades de razonamiento, uso de herramientas y comportamiento agéntico, y ampliar la cobertura de alianzas. El listado de lenguas buscadas incluye quechua, guaraní, aymara, náhuatl, k’iche', q’eqchi', mapudungun, tikuna y wapishana. La ausencia del Caribe hispanohablante en ese inventario tiene explicación histórica, y también deja abierta la pregunta sobre qué aporta República Dominicana a la representación lingüística regional más allá del español dominicano y sus registros.
Existe una ventana operativa concreta. El proyecto necesita validación humana colectiva de las preguntas del benchmark, tarea que una universidad dominicana podría coordinar con recursos modestos y en plazos cortos. Necesita datasets de dominios específicos que instituciones dominicanas custodian sin haberlos catalogado nunca como insumo de entrenamiento: registros históricos, producción académica, documentación normativa, acervos periodísticos. Y necesita casos de uso que demuestren utilidad del modelo en contextos institucionales reales, terreno donde el sector público dominicano acumula problemas de gestión documental que un modelo de acceso abierto y despliegue local podría abordar sin las restricciones de transferencia de datos que imponen los proveedores extranjeros.
La experimentación aplicada produce aprendizaje institucional que ningún documento estratégico genera. Chile lo demostró construyendo un modelo con quince personas y un corte de datos de doce meses. El aprendizaje adquirido en ese proceso —sobre licencias, sobre curaduría, sobre la economía real de entrenar con datos propios— pertenece ahora a Chile, y se transfiere a quienes participen de la siguiente iteración. La región entrará a la próxima década con países que aprendieron haciendo y países que aprendieron leyendo lo que otros hicieron.
La distancia entre ambos grupos se está fijando en este ciclo, con decisiones que cuestan menos que cualquier plan nacional y rinden considerablemente más.
Compartir esta nota