Prompting en Diferentes Idiomas: Cómo Obtener Resultados Coherentes

El prompting multilingüe no es traducción — activa una parte diferente de la distribución aprendida del modelo. Los LLMs tokenizan y representan el texto en un espacio de embedding común, pero los datos de entrenamiento están muy sesgados: CommonCrawl (usado para entrenar la mayoría de los LLMs) consiste en ~46 % de inglés, ~6 % de alemán, ~5 % de francés, ~3 % de chino. Los idiomas con menos del 1 % de participación en el entrenamiento (p. ej., la mayoría de los idiomas africanos, muchos idiomas del sur de Asia) se comportan de forma impredecible.

Cuando haces prompting en francés, el modelo se apoya en patrones de los datos de entrenamiento en francés. Como el francés representa solo ~5 % del corpus de entrenamiento, el modelo tiene significativamente menos asociaciones aprendidas en comparación con los prompts en inglés. Esto se manifiesta en: menor precisión de razonamiento, seguimiento de instrucciones inconsistente, tasas de alucinación más altas y calidad de salida impredecible.

Para una explicación detallada de cómo los LLMs aprenden patrones de idioma, consulta Cómo funcionan realmente los LLMs.

El rendimiento de los idiomas en los LLMs sigue una jerarquía de cuatro niveles basada en la participación en el entrenamiento. El nivel 1 (inglés) logra resultados casi perfectos; el nivel 4 (idiomas con pocos recursos) produce salidas poco fiables. Usa el mapeo de niveles para determinar la estrategia correcta para tu idioma objetivo.

El mismo texto de 1.000 palabras cuesta un 46 % más en tokens en árabe que en inglés y un 31 % más en ruso — esto impacta directamente en tu factura de la API. La eficiencia de tokens varía significativamente según el sistema de escritura y la familia de idiomas. Esto afecta tanto los costos de la API como la planificación del presupuesto de ventana de contexto.

Más detalles en Tokens, costos y límites.

Para tareas de razonamiento y estructuradas, los prompts de sistema en inglés superan a los prompts de sistema en el idioma objetivo en idiomas de nivel 2 y nivel 3. Para tono y formalidad, las instrucciones en el idioma objetivo son superiores. Esta es la decisión más importante en el prompting multilingüe.

¿Por qué? La mayor parte de la capacidad de seguimiento de instrucciones de los LLMs fue entrenada en datos RLHF (Reinforcement Learning from Human Feedback) en inglés. Las instrucciones de sistema complejas (reglas de formato, personas, directivas Chain-of-Thought) se siguen de forma más fiable cuando están escritas en inglés. Las instrucciones en inglés forman parte de la ruta de razonamiento central del modelo.

Las instrucciones de estilo (registro de formalidad, tono cultural, nivel de cortesía) funcionan mejor en el idioma objetivo, ya que requieren comprensión de lo que el "español formal" o el "japonés cortés" significa realmente para los hablantes nativos.

Árbol de decisión: Reglas de razonamiento/formato complejas → prompt de sistema en inglés. Registro de formalidad (usted, vous, keigo) → idioma objetivo. Definición de persona → inglés + un ejemplo en el idioma objetivo. Especificación del idioma de salida → siempre explícita en el prompt de sistema: "Respond in formal Spanish (tratamiento de usted)."

Explicación detallada: Prompt de sistema vs. prompt de usuario.

Prompt malo — asume que el modelo reconocerá el idioma y el registro:

"Resume este contrato en español."

Resultado: salida mezclada en español e inglés, registro informal, terminología legal faltante.

Prompt bueno — idioma, registro y ruta de razonamiento explícitos:

"You are a legal analyst. The following document is a Spanish employment contract (contrato de trabajo). Summarise its key obligations in formal Spanish (tratamiento de usted). Structure: Partes del contrato, Remuneración, Plazos de preaviso, Cláusulas especiales. Maximum 200 words. Flag any clause that is unusual for standard Spanish employment law with REVISAR."

Resultado: salida formal en español estructurada con terminología específica del dominio y anomalías marcadas.

Ningún modelo individual domina todos los idiomas. Mistral Large 2 lidera en idiomas romances; Google Gemini 3.0 Pro en idiomas de Asia Oriental; GPT-4o en árabe y tareas de razonamiento multilingüe. Esta tabla agrega el rendimiento de los modelos del benchmark MEGA de Ahuja et al. (2023).

Las diferencias de costo de tokens se reflejan directamente en tu factura de la API. Aquí el impacto real basado en los precios de GPT-4o (5 $ por millón de tokens de entrada).

Para los idiomas de nivel 3, especificar la instrucción Chain-of-Thought en inglés — al tiempo que se solicita la respuesta final en el idioma objetivo — mejora la precisión del razonamiento entre un 5 y un 12 % (Shi et al., 2023). Esta técnica de CoT entre idiomas aprovecha las fortalezas de razonamiento del modelo en inglés manteniendo la calidad de salida en el idioma objetivo.

Cuando los LLMs piensan paso a paso, se apoyan en patrones de su corpus de entrenamiento más grande (inglés). Si fuerzas el razonamiento completamente en un idioma con pocos recursos como el japonés o el árabe, la precisión disminuye — el modelo tiene menos patrones de razonamiento aprendidos en ese idioma. El enfoque híbrido — CoT en inglés, salida en el idioma objetivo — combina lo mejor de ambos mundos.

Plantilla: `Think through this step by step in English, then write your final answer in Spanish. Question: pregunta`

Decisión: Usar CoT en inglés cuando → la tarea requiere razonamiento en múltiples pasos, el idioma objetivo es de nivel 3+, la precisión es más importante que la latencia. Usar CoT nativo cuando → el tono y el registro importan más que la profundidad del razonamiento, el idioma objetivo es de nivel 1–2.

Para más detalles: Prompting Chain-of-Thought: Cómo los LLMs muestran su razonamiento.

Los ejemplos few-shot deben estar en el mismo idioma que la tarea — los ejemplos entre idiomas reducen la precisión de salida en los idiomas de nivel 2 y nivel 3 entre un 15 y un 20 % (Shi et al., 2023). Los ejemplos few-shot enseñan al modelo el formato, el tono y los patrones. Si los ejemplos están en inglés pero la tarea está en español, el modelo recibe señales contradictorias.

Dos estrategias: (1) Few-shot nativo — todos los ejemplos en el idioma objetivo (mejor calidad). (2) Zero-shot + instrucciones explícitas — sin ejemplos, pero con reglas claras de estilo/formato en inglés (mejor opción cuando no hay ejemplos nativos disponibles). Evita: ejemplos en inglés + tarea en español = lo peor de ambos mundos.

Marco de decisión: Prompting few-shot vs. zero-shot.

Los LLMs usan registros informales de forma predeterminada en la mayoría de los idiomas. Si tu caso de uso requiere español formal (tratamiento de usted), japonés formal (丁寧語) o el francés con vous, debes declarar el registro explícitamente en el prompt de sistema — el modelo no lo deduce del contexto. Esto se pasa por alto con frecuencia y produce salidas que suenan incorrectas para los hablantes nativos.

Cuando los usuarios mezclan idiomas (p. ej., una pregunta en español con un nombre de marca en inglés o un comentario de código en inglés), la mayoría de los modelos responden en el idioma dominante de la solicitud — pero esto no es fiable sin instrucciones explícitas. El code-switching es común en entornos de trabajo multilingüe donde los términos técnicos permanecen en inglés pero el texto circundante está en otro idioma.

Enfoque recomendado: (1) En el prompt de sistema: "Cuando el usuario mezcle idiomas, responde en idioma objetivo a menos que la pregunta esté explícitamente en inglés." (2) Detecta el idioma programáticamente (langdetect, FastText, lingua-rs) antes de enrutar al modelo — no dependas de que el modelo lo detecte. (3) Para apps multilingüe en producción: implementa un paso de detección de idioma antes de la llamada al LLM para enrutar a la plantilla de prompt correcta.

Cuatro patrones de plantilla que puedes adaptar para tus propios flujos de trabajo multilingüe. Reemplaza los marcadores de posición según tu caso de uso.

Unión Europea (RGPD): Al procesar datos en alemán, francés, español u otros idiomas de la UE, tu API de LLMs debe cumplir con el Artículo 28 del RGPD (Acuerdo de Tratamiento de Datos). Mistral Large 2 y Claude Opus 4.7 ofrecen despliegues conformes con la UE con almacenamiento de datos en Frankfurt o Irlanda. GPT-4o requiere condiciones de procesamiento de datos mediante el Acuerdo de Procesamiento de Datos de OpenAI. Nunca envíes datos personales (nombres, correos electrónicos, números de teléfono) sin una base legal adecuada y un acuerdo de tratamiento válido.

España (LOPD-GDD y AEPD): Para empresas en España, la Ley Orgánica 3/2018 de Protección de Datos Personales y garantía de los derechos digitales incorpora el RGPD con requisitos adicionales. La Agencia Española de Protección de Datos (AEPD) ha emitido guías específicas sobre el uso de IA. Los despliegues de LLMs on-premise o con residencia de datos en la UE son la solución más segura para datos sensibles.

Latinoamérica: Las regulaciones de protección de datos varían por país. Brasil tiene la LGPD (Lei Geral de Proteção de Dados), México la LFPDPPP, Colombia la Ley 1581 y Argentina la Ley 25.326. En general, todas exigen informar al usuario sobre el uso de IA y obtener consentimiento para el procesamiento automatizado de datos personales. Consulta la normativa local antes de enviar datos de usuarios a APIs de IA en la nube.

Japón (APPI): Las empresas japonesas que usan LLMs multilingüe deben cumplir la Ley de Protección de Información Personal (APPI). Gemini 3.0 Pro ofrece despliegue en la región de Japón con almacenamiento de datos en Tokio. Para soberanía total de datos, se recomienda el uso local de Qwen 3 72B para tareas en japonés y chino.