Día Internacional de los Pueblos Indígenas: 68 lenguas, 7.4 millones de hablantes y poca data para la IA

En 1930, 15 de cada 100 personas en México hablaban una lengua indígena. En 2020, según el Censo de Población y Vivienda del INEGI, eran 6.2 de cada 100. La cifra absoluta incluso creció de 6.9 millones hablantes en 2010 a 7.3 millones en 2020, pero el país creció más rápido. El resultado es una erosión relativa sostenida durante casi un siglo, y es el telón de fondo con el que México llega al 9 de agosto.

Qué conmemora el Día Internacional de los Pueblos Indígenas

El Día Internacional de los Pueblos Indígenas fue instituido por la Asamblea General de las Naciones Unidas y se celebra cada 9 de agosto en recuerdo de la primera reunión del Grupo de Trabajo sobre Poblaciones Indígenas de la ONU, celebrada en Ginebra en 1982. Su propósito declarado es dar a conocer las necesidades de estos pueblos y reconocer que se requieren medidas específicas para proteger sus derechos, culturas y formas de vida.

En el mundo hay alrededor de 476 millones de personas indígenas distribuidas en unos 90 países. Representan cerca de 6% de la población mundial, pero constituyen al menos 15% de las personas en pobreza extrema. Sus territorios abarcan 28% de la superficie del planeta y contienen 11% de los bosques del mundo, lo que los convierte en custodios de buena parte de la biodiversidad; sus sistemas alimentarios alcanzan niveles de autosuficiencia de entre 50% y 80%.

La edición 2026 de la conmemoración se organiza bajo el lema “Honrar a las parteras Indígenas: salvaguardar la vida y el bienestar”, con un evento virtual de Naciones Unidas el 10 de agosto. El eje es el reconocimiento de los sistemas de conocimiento indígena dentro de los marcos formales de salud —un tema que, visto de cerca, es también un problema de transmisión: conocimiento que se hereda oralmente y en lengua propia.

Y ahí la conversación mexicana del 9 de agosto suele desembocar en el mismo lugar: qué está pasando con las lenguas, y quién está haciendo algo al respecto. Porque sin lengua no hay vehículo para ese conocimiento. La respuesta corta es que se está intentando resolver un problema cultural con herramientas de ingeniería de datos. Y que los datos, precisamente, son lo que falta.

El mapa: 68 lenguas, 11 familias, 364 variantes

El Catálogo de las Lenguas Indígenas Nacionales, elaborado por el Instituto Nacional de Lenguas Indígenas (INALI) en 2008, reconoce 68 agrupaciones lingüísticas, agrupadas en 11 familias, con 364 variantes. Esa última cifra es la que importa: una “variante” no es un acento, sino una forma de habla que puede ser mutuamente ininteligible con otra de la misma agrupación. Hablar de “el mixteco” o“el zapoteco” en singular es, técnicamente, una simplificación.

El diagnóstico del propio INALI es que las 364 variantes presentan algún grado de riesgo de desaparición. En su clasificación, 64 están en riesgo muy alto, 43 en riesgo alto, 72 en riesgo mediano y 185 en riesgo no inmediato. El criterio combina número de hablantes, cantidad de localidades donde se habla, proporción de niños y jóvenes que la usan y dispersión geográfica de la comunidad.

La distribución de hablantes está fuertemente concentrada. El náhuatl representa 22.4% del total de hablantes de lengua indígena, el maya 10.5% y el tseltal 8.0%. Por entidad, Oaxaca encabeza con 31.2% de su población hablante de alguna lengua indígena, seguido de Chiapas (28.2%), Yucatán (23.7%), Guerrero (15.5%) e Hidalgo (12.3%).

Hay otro dato del Censo 2020 que rara vez se cita y que tiene implicaciones directas de acceso a servicios: de cada 100 personas de tres años o más que hablan una lengua indígena, 12 no hablan español. Son alrededor de 880 mil personas monolingües para las que un trámite bancario, una consulta médica o una audiencia judicial en español no es un inconveniente, sino una barrera.

Y existe una brecha adicional entre identidad y lengua: 23.2 millones de personas se autoidentifican como indígenas, pero solo 7.1 millones de ellas (30.8%) hablan una lengua originaria. La adscripción cultural sobrevive a la lengua, no al revés.

El cuello de botella: los modelos necesitan corpus que no hay

En marzo de 2026, en la sexta sesión de la Cátedra Extraordinaria de Bioética del Programa Universitario de Bioética de la UNAM, el investigador Iván Vladimir Meza Ruiz, del Departamento de Ciencias de la Computación del Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas (IIMAS), expuso el estado del arte de la inteligencia artificial aplicada a las lenguas originarias de México.

Su planteamiento fue directo: la tecnología puede ayudar a que estas lenguas “permanezcan vivas, aunque sea de manera artificial”, pero el proyecto depende de reunir información suficiente.

Y ahí está el problema. Meza Ruiz ilustró la escasez con un indicador sencillo y devastador: el número de artículos disponibles en Wikipedia por lengua. Náhuatl clásico, 4,272. Maya yucateco, 1,201. Náhuatl central, 224. Mixteco, 113. Hñähñu, 90. Purépecha, 12. Mixe del norte, 10.

Para dimensionarlo: los modelos de lenguaje contemporáneos se entrenan con cientos de miles de millones de palabras. Diez artículos de Wikipedia no alcanzan para nada. Los sistemas de traducción automática, los asistentes de voz, la transcripción y los correctores ortográficos, todo lo que damos por hecho en español o inglés, parten de un supuesto que en estas lenguas simplemente no se cumple.

La palabra cotidiana desaparece

El sesgo del poco material disponible agrava la situación. Según Meza Ruiz, los datos existentes están inclinados hacia la música, y hay escasos registros del habla cotidiana. Un modelo entrenado con canciones aprende poesía, no cómo se pide una cita médica. A eso se suma que muchas de estas lenguas son predominantemente orales, con menos registros escritos, y que los datos de voz son información biométrica, con todo lo que implica en materia de privacidad.

Meza Ruiz señaló además un dilema ético que rara vez se discute en el sector tecnológico: el impulso académico favorece la ciencia abierta, pero numerosas obras y documentos en lenguas originarias están sujetos a autoría, con derechos morales y patrimoniales. Convertir el patrimonio lingüístico de una comunidad en corpus de entrenamiento no es un acto neutro. La pregunta de quién es dueño de los datos de una lengua todavía no tiene respuesta consensuada.

Su conclusión operativa es que el siguiente trabajo no es construir el modelo, sino construir el ecosistema para recolectar los datos. Es decir: infraestructura antes que producto.

Por qué esto es un asunto de negocio, no solo de patrimonio

Es tentador leer todo lo anterior como una nota cultural. Sería un error. Hay al menos tres frentes donde la brecha lingüística tiene consecuencias económicas medibles.

Acceso a servicios

Una estrategia digital en lenguas originarias, apuntó Meza Ruiz, ayudaría a las comunidades hablantes a acceder a salud, justicia, educación y autonomía económica. Traducido al lenguaje del sector: millones de personas hoy operan fuera del alcance efectivo de servicios financieros, de salud digital y de gobierno electrónico por una razón de interfaz, no de demanda.

Marco regulatorio

La Ley General de Derechos Lingüísticos de los Pueblos Indígenas, vigente desde 2003, reconoce las lenguas indígenas como lenguas nacionales con la misma validez que el español en los territorios donde se hablan. Es un piso legal que la mayoría de las empresas y plataformas que operan en México aún no ha considerado como requisito de diseño.

Mercado y marca

El caso más citado en la industria mexicana es el de Cerveza Victoria, que en 2022 lanzó una edición especial de latas con el nombre de la marca escrito en tsotsil, maya, otomí y zapoteco, acompañada de anuncios en punto de venta en la lengua que hablaban los vendedores de cada expendio. Meses antes, a finales de 2021, la misma marca había lanzado su campaña de Día de Muertos bajo el nombre “Icnocuícatl” (“canto triste” en náhuatl). En paralelo, el INALI ha impulsado campañas como “Lenguas Indígenas Nacionales de México”, con mensajes de 30 segundos narrados en purépecha, tseltal, mixteco y náhuatl para llevar estas lenguas a medios masivos.

La distinción relevante para cualquier equipo de marketing es entre usar una lengua como recurso estético y usarla como canal real de comunicación. La primera se agota en una campaña; la segunda requiere hablantes en el equipo, validación comunitaria y, en el fondo, la misma infraestructura de datos que hoy no existe.

El Decenio de las Lenguas Indígenas, y el reloj

En 2019 la ONU celebró el Año Internacional de las Lenguas Indígenas. Al ver que el impulso era insuficiente, la UNESCO declaró el Decenio Internacional de las Lenguas Indígenas 2022-2032, cuya hoja de ruta estratégica se aprobó en la Ciudad de México bajo un lema que resume la posición de las comunidades: “Nada para nosotros sin nosotros”.

El punto de partida global es que al menos 40% de las aproximadamente 7,000 lenguas del mundo está en peligro de desaparecer, y las lenguas indígenas son especialmente vulnerables por una razón estructural: muchas no se enseñan en la escuela ni se utilizan en la esfera pública. Es decir, no fallan por falta de hablantes iniciales, sino por falta de ámbitos donde usarlas.

Vamos a la mitad del Decenio. En México, el INALI ha avanzado en la normalización de la escritura, el proceso de acordar una ortografía estándar que permita producir gramáticas, diccionarios, señalética y, eventualmente, corpus digitales, para lenguas como maya yucateco, ñähñu, mam, tojolabal, tsotsil, tseltal, zoque, mochó y chol. Sin norma escrita, no hay datos limpios; sin datos limpios, no hay modelo.

Qué observar de aquí a 2032

• La construcción de corpus comunitarios: quién los financia, quién los custodia y bajo qué licencia se liberan.
• El avance de la normalización ortográfica del INALI, que es el prerrequisito técnico de casi todo lo demás.
• Si los grandes modelos comerciales incorporan lenguas mexicanas y en qué condiciones lo hacen respecto de las comunidades que aportan los datos.
• El desempeño real de las lenguas en el Censo 2030, la próxima medición que dirá si la curva de casi un siglo se movió.

La tecnología, por sí sola, no revive una lengua: eso lo hace la transmisión intergeneracional, y esa no se resuelve con un modelo. Lo que sí puede hacer es bajar el costo de usarla , traducir un trámite, subtitular un contenido, corregir un texto, transcribir una consulta médica y con ello quitarle al hablante la penalización cotidiana de no hablar español. Ese es, hoy, el diseño de producto más urgente de una industria que suele medir el impacto en usuarios activos.