Que un modelo “acepte” un idioma no garantiza calidad en producción. Los usuarios alternan idiomas y alfabetos, usan nombres locales y preguntan por normas de países distintos. Un sistema sólido enruta según tarea y evidencia, recupera fuentes de la jurisdicción correcta, mide cada lengua y sabe cuándo pedir ayuda humana.
Conserve siempre la entrada original. La detección automática duda con mensajes cortos, transliteración y code-switching. Permita elegir idioma y corregir fácilmente al enrutador. “Multilingüe” no significa que el usuario deba aceptar la inferencia del sistema.
Traducir todo a un idioma pivote amplía opciones, pero puede cambiar nombres, tratamientos, términos legales, negaciones, unidades y referencias culturales. Priorice recuperar fuentes originales locales y fiables. Los embeddings multilingües pueden ampliar la búsqueda, pero guarde idioma, jurisdicción, editor, vigencia y URL. Si traduce evidencia, conserve el fragmento original y cítelo.
El locale no es solo un código: indonesio y malayo no son configuraciones intercambiables; hay variantes, escrituras y políticas nacionales. En temas sensibles use material oficial local y absténgase si falta cobertura. La guía de ASEAN es voluntaria y no sustituye la legislación nacional: un selector genérico “APAC” ocultaría diferencias reales.
Prepare casos revisados por hablantes nativos: instrucciones originales, cambios de idioma, nombres, transliteración, recuperación citada y fuentes vencidas. SEA-HELM, de AI Singapore, evalúa competencias lingüísticas y culturales del Sudeste Asiático mediante tareas locales y validación humana. Su cobertura declarada no representa todos los idiomas ni todos los casos de uso.
Publique resultados por idioma en lugar de ocultar fallos en un promedio. Mida éxito de tarea, fidelidad terminológica, respaldo documental, abstenciones correctas y consistencia de seguridad. Repita cuando cambien modelo, prompt, índice o tokenizer.
Elija modelo por calidad medida en la combinación concreta de idioma y tarea, además de latencia, coste y residencia de datos. Un modelo competente al traducir puede fallar en recuperación normativa local. Con poca confianza, pregunte, ofrezca idiomas admitidos o derive a una persona. No cambie silenciosamente al inglés si el usuario podría malinterpretar.
Registre versiones, locale, fuentes, decisiones de seguridad y motivo de derivación. Minimice la retención, aísle tenants y pruebe inyección de prompts en documentos locales recuperados.
Empezaría con tres flujos y pocos locales prioritarios. El enrutador emitiría una decisión trazable; la recuperación filtraría por idioma y jurisdicción; cada ruta tendría pruebas revisadas por nativos. Una consola mostraría entrada original, confianza, evidencia, respuesta y motivo del fallback. Ampliaría idiomas cuando la calidad y la operación puedan medirse.
La IA multilingüe también es un reto de enrutamiento, recuperación y operación de calidad. Preserve la intención, prefiera evidencia local autorizada, evalúe cada idioma y muestre incertidumbre. Derivar con honestidad es mejor que traducir con seguridad aparente.