Análisis crítico de la Inteligencia Artificial Generativa en teorías del lenguaje  
Yolima Janeth Rodríguez Jiménez  
Frank Albert Pama Arias  
Volumen: 17  
Recepción: 12/03/2025  
Número: 2  
Año: 2025  
Aprobado: 01/04/2025  
Artículo original  
Análisis crítico de la Inteligencia Artificial Generativa en teorías del lenguaje  
Critical analysis of Generative Artificial Intelligence in theories of language  
Yolima Janeth Rodríguez Jiménez1 (yoli.rodriguez@udla.edu.co) (https://orcid.org/0000-  
0003-3108-1600)  
Frank Albert Pama Arias2 (f.pama@udla.edu.co) (https://orcid.org/0009-0006-0547-  
3140)  
Resumen  
La inteligencia artificial generativa (GAI) ha redefinido la producción de lenguaje,  
influyendo en ámbitos que van desde la educación hasta la creación de contenido. Sin  
embargo, su evolución no es únicamente un logro computacional; está profundamente  
arraigada en teorías lingüísticas que moldean sus capacidades y limitaciones. Este  
artículo examina críticamente la relación simbiótica pero asimétrica entre la lingüística y  
la IAG, destacando cómo los principios lingüísticos informan el diseño de modelos  
mientras son instrumentalizados sin reflexión ética o cognitiva. Desde un enfoque de  
investigación cualitativa con un alcance crítico-analítico, este estudio realiza una  
revisión sistemática de la literatura reciente, en donde compara perspectivas teóricas y  
empíricas sobre la dependencia de los marcos lingüísticos por parte de la IAG. A través  
del análisis del discurso, explora dos dimensiones clave: (1) la apropiación selectiva de  
teorías lingüísticas en la arquitectura de modelos y (2) las preocupaciones éticas en la  
generación de contenido. Los hallazgos indican que, aunque modelos como GPT-4 y  
BERT integran sintaxis y semántica, no logran captar las sutilezas pragmáticas y  
socioculturales, lo que refuerza las inequidades sistémicas. El estudio concluye que la  
futura investigación interdisciplinaria ha de priorizar marcos éticos de IA, la diversidad  
lingüística y la modelización cognitiva para desarrollar sistemas generativos más  
inclusivos y responsables. Este enfoque crítico subraya la necesidad de ir más allá de la  
mera optimización tecnológica hacia un paradigma de IA más equitativo y consciente  
lingüísticamente.  
Palabras clave: lingüística computacional, inteligencia artificial generativa, sesgo  
lingüístico, ética del PLN, modelado cognitivo.  
Abstract  
Generative artificial intelligence (GAI) has redefined language production, influencing  
fields ranging from education to content creation. However, its evolution is not solely a  
computational achievement; it is deeply rooted in linguistic theories that shape its  
capabilities and limitations. This article critically examines the symbiotic but  
1
Magíster en Educación Universidad Libre y Universidad de Las Tunas. Licenciada en lingüística y literatura.  
Profesora asociada y Líder semillero Texto y voz. Universidad de la Amazonia. Colombia.  
2
Ingeniero en Informática y Sistemas. Analista de Datos Google. Science Date IBM. Diseñador y Productor  
Multimedia. Esp. Seguridad Informática. Esp. en IAG. Esp. Marketing digital. Semillerista de Texto y voz de la  
Licenciatura en Literatura y Lengua Castellana. Universidad de la Amazonia. Colombia.  
Página 306  
   
Análisis crítico de la Inteligencia Artificial Generativa en teorías del lenguaje  
Yolima Janeth Rodríguez Jiménez  
Frank Albert Pama Arias  
Volumen: 17  
Recepción: 12/03/2025  
Número: 2  
Año: 2025  
Aprobado: 01/04/2025  
Artículo original  
asymmetrical relationship between linguistics and AGI, highlighting how linguistic  
principles inform model design while being instrumentalized without ethical or cognitive  
reflection. From a qualitative research approach with a critical-analytic scope, this study  
conducts a systematic review of recent literature, where it compares theoretical and  
empirical perspectives on IAG's reliance on linguistic frameworks. Through discourse  
analysis, it explores two key dimensions: (1) the selective appropriation of linguistic  
theories in model architecture and (2) ethical concerns in content generation. Findings  
indicate that although models such as GPT-4 and BERT integrate syntax and semantics,  
they fail to capture pragmatic and sociocultural subtleties, reinforcing systemic  
inequities. This critical approach underscores the need to move beyond mere  
technological optimization towards a more equitable and linguistically aware AI  
paradigm.  
Key words: computational linguistics, generative artificial intelligence, linguistic bias,  
PLN ethics, cognitive modeling.  
Introducción  
Desde los aportes de Chomsky sobre el aspecto creador del lenguaje, que ya habían  
sido motivo de interés en Descartes, Cordemoy, Harris, Schlegel, Humboldt y la escuela  
de Port Royal, se revisó cómo desde medios finitos se generan mensajes infinitos  
(Bernal Leongómez, 1984). De esta manera es como desde el componente sintáctico  
se divide en dos subcomponentes, el primero categorial compuesto por reglas de  
ramificación y subcategorización, y el segundo el lexicón, que corresponde al conjunto  
de artículos léxicos que configuran el vocabulario de una lengua, y estos dos se  
especificarán con características fonológicas, sintácticas y semánticas.  
Es desde los cambios de la estructura profunda a la superficial que se sitúa uno de los  
aspectos que soportan los avances de la IAG. Se trata pues de las reglas de  
transformación, en donde es posible hacer permutación, adición, elisión y sustitución.  
Así, modelos como GPT-4 o BERT no solo procesan texto, sino que encapsulan teorías  
sobre sintaxis, semántica y pragmática desarrolladas décadas atrás (Devlin et al.,  
2019). No obstante, esta interdependencia entre lingüística e IAG rara vez se examina  
de forma crítica.  
Sin embargo, esta relación simbiótica es asimétrica en tanto la lingüística aporta las  
reglas y la IAG las instrumentaliza sin reflexionar sobre sus implicaciones éticas o  
cognitivas. Si bien desde la gramática generativa transformacional y otros estudios  
desde la lingüística se plantearon los universales lingüísticos, los cuales sugieren que  
todas las lenguas son similares y sus variaciones radican en la estructura superficial3,  
se mantuvo el interés de llevar esto a la automatización. Sabemos el diseño de la  
gramática de estado finito fue un reto del pasado que Chomsky hizo a partir del modelo  
3
Greemberg (1963) ofrece cuarenta y cinco universales, quien se basa en las nociones de universal relativo y de  
universal implicativo para ofrecer una nueva perspectiva en la búsqueda de universales.  
Página 307  
 
Análisis crítico de la Inteligencia Artificial Generativa en teorías del lenguaje  
Yolima Janeth Rodríguez Jiménez  
Frank Albert Pama Arias  
Volumen: 17  
Recepción: 12/03/2025  
Número: 2  
Año: 2025  
Aprobado: 01/04/2025  
Artículo original  
de Shannon y Weaver de la teoría de la comunicación que permitía la generación  
inmediata y automática de un mensaje desde un proceso estocástico, que en  
matemáticas se denomina proceso de Markov que consideraba la comunicación como  
un proceso lineal. Con la creación de las IA, esto ha derivado en sistemas que, aunque  
eficientes, perpetúan sesgos culturales, desatienden lenguas minoritarias y trivializan el  
plagio académico (Gallent-Torres et al., 2023; Névéol et al., 2018a).  
Ante este panorama, este artículo cuestiona ¿cómo ha moldeado la lingüística el  
desarrollo técnico de la IAG? ¿De qué modo sus omisiones teóricas en pragmática y  
variación dialectal limitan su potencial? A través de un análisis crítico, se exploran dos  
dimensiones: (1) la apropiación selectiva de teorías lingüísticas en el diseño de modelos  
y (2) los desafíos éticos en la generación de contenido. Solo al deconstruir estos ejes se  
podrá avanzar hacia una IAG ética, inclusiva y cognitivamente robusta.  
Materiales y métodos  
El estudio adoptó un enfoque cualitativo con un alcance crítico-analítico, y se centró en  
explorar cómo los principios lingüísticos subyacen al diseño y funcionamiento de los  
modelos de inteligencia artificial generativa (IAG). Este enfoque permitió examinar no  
solo las dimensiones técnicas de la IAG, sino también sus implicaciones éticas, sociales  
y culturales.  
Se recolectaron más de 200 artículos preliminares, los cuales se filtraron por título y  
resumen, y se redujeron a 75 estudios que se revisaron para verificar su relevancia y  
calidad metodológica, lo que dejó 50 artículos clave. Los documentos analizados  
incluyen artículos académicos, libros, capítulos de libros y documentos de conferencias  
publicados entre 2018 y 2024. Las fuentes fueron seleccionadas de bases de datos  
como Web of Science, Scopus, PubMed, Google Scholar y repositorios especializados.  
Resultados y discusión  
El análisis crítico del discurso se realizó en varias etapas, en primer lugar, se realizó  
una lectura exhaustiva de los documentos seleccionados para identificar temas,  
conceptos clave y patrones discursivos. De esta forma, se aplicó un enfoque inductivo  
para categorizar los datos en temas emergentes, como “apropiación selectiva de teorías  
lingüísticas” y, “sesgos culturales”. Luego, se compararon los hallazgos entre los  
diferentes documentos para identificar convergencias y divergencias en las  
perspectivas presentadas y finalmente se integraron los resultados.  
Para garantizar la rigurosidad del análisis, se utilizaron herramientas y técnicas  
específicas, así, para la gestión bibliográfica se empleó Mendeley y para el análisis se  
usó AtlasTi. Como limitantes se tuvieron en cuenta solo documentos en inglés y  
español, y en algunos casos, los estudios no tenían acceso abierto.  
El análisis crítico del discurso se basó en los principios propuestos por Fairclough  
(1992) y Van Dijk (1993), haciendo énfasis en dos aspectos, en primer lugar, las  
narrativas dominantes sobre IAG con la identificación de patrones discursivos  
Página 308  
Análisis crítico de la Inteligencia Artificial Generativa en teorías del lenguaje  
Yolima Janeth Rodríguez Jiménez  
Frank Albert Pama Arias  
Volumen: 17  
Recepción: 12/03/2025  
Número: 2  
Año: 2025  
Aprobado: 01/04/2025  
Artículo original  
recurrentes, como la instrumentalización de teorías lingüísticas y, en segundo lugar, se  
analizó cómo los autores articulan sus argumentos, al usar marcos teóricos como la  
lingüística crítica y la ética en IA. El análisis crítico del discurso permitió una revisión  
exhaustiva y reflexiva de la literatura, de forma que garantice que los hallazgos reflejen  
tanto los avances técnicos como las preocupaciones éticas y sociales asociadas con la  
IAG.  
Inteligencia Artificial Generativa (IAG) y lingüística  
La relación entre la lingüística teórica y la inteligencia artificial generativa (IAG) es un  
diálogo asimétrico pero indisociable. Desde los postulados de Noam Chomsky en los  
años 50, la gramática generativa ha buscado describir las estructuras innatas que  
subyacen al lenguaje humano, proponiendo reglas universales para generar oraciones  
gramaticalmente válidas (Chomsky, 1965). Este enfoque, centrado en la sintaxis y la  
recursividad, no solo revolucionó la lingüística, sino que sentó las bases conceptuales  
para los modelos de lenguaje actuales.  
La investigación de Newell y Simon para modelar el razonamiento humano mediante  
computadora se inspiró en las ideas y el argumento de Chomsky sobre el lenguaje  
formal. Chomsky coloca las primeras semillas de los lenguajes de programación, y  
Newell & Simon las primeras semillas de la IA (Mohammed y Shormani, 2024). Como se  
ve, Chomsky con la lingüística generativa supone que el lenguaje es un fenómeno  
gobernado por reglas, y que el cerebro humano puede generar un conjunto infinito de  
oraciones siguiendo dichas reglas.  
En este sentido, un lenguaje no verbal, como los lenguajes de programación Python  
depende de la sintaxis y la semántica debido al hecho de que, si se viola algún  
principio, se genera una notificación de un error de sintaxis o semántico (Jackson,  
2018).  
Sin embargo, la transición de la teoría a la práctica en la IAG ha estado marcada por  
simplificaciones, omisiones críticas y una instrumentalización selectiva de los principios  
lingüísticos. Por ejemplo, los transformers, arquitectura detrás de modelos como BERT  
y GPT, replican de forma implícita la idea de “competencia lingüística” propuesta por  
Chomsky. Al procesar texto mediante atención bidireccional, estos modelos capturan  
dependencias jerárquicas entre palabras, lo que simula la capacidad humana para  
reconocer estructuras sintácticas complejas (Devlin et al., 2019). Por ejemplo, en frases  
como “El libro que el estudiante que aprobó el examen escribió fue publicado”, los  
transformers identifican relaciones anidadas (incrustación de cláusulas) sin requerir  
reglas explícitas, algo que la gramática generativa atribuye a un dispositivo cognitivo  
innato.  
No obstante, esta similitud es superficial, pues mientras Chomsky postulaba una  
“gramática universal” biológicamente determinada, los transformers aprenden patrones  
estadísticos a partir de datos masivos, sin internalizar reglas abstractas (Greco &  
Tagarelli, 2024). Es decir, su “competencia” es una ilusión emergente de la exposición a  
Página 309  
Análisis crítico de la Inteligencia Artificial Generativa en teorías del lenguaje  
Yolima Janeth Rodríguez Jiménez  
Frank Albert Pama Arias  
Volumen: 17  
Recepción: 12/03/2025  
Número: 2  
Año: 2025  
Aprobado: 01/04/2025  
Artículo original  
billones de tokens, no una representación de mecanismos cognitivos. Esto plantea una  
paradoja: aunque la IAG logra generar lenguaje fluido, su comprensión es frágil y  
contextualmente limitada. Y es que, aunque la IA busca disminuir la distancia mediante  
el desarrollo de modelos de datos, algoritmos de aprendizaje profundo y redes  
neuronales que imitan la inteligencia y el lenguaje humanos (Pannachin y Goertzel,  
2007), falta mucho para autenticar y aceptar la IA como una representación de la  
inteligencia humana.  
Ante este dilema, se encuentra la postura de que “la división entre inteligencia natural e  
inteligencia artificial desaparecerá en la inteligencia híbrida aumentada” (Pan, 2016,  
citado por Beerends & Aydin, 2024) pero se desconocen las implicaciones éticas y la  
forma como la IAG presenta falencias. Por ejemplo, un estudio de Riccardi et al. (2024)  
con el Two Word Test reveló que modelos como GPT-4 fallan al discernir combinaciones  
léxicas absurdas (p. ej., "cabra cielo"), lo que deja ver que su "comprensión" se reduce  
a correlaciones estadísticas, no a una representación semántica sólida. Al respecto,  
Watson (2019) sugiere que el impulso por humanizar los algoritmos es un obstáculo  
para conceptualizar adecuadamente los desafíos éticos que plantean las tecnologías  
emergentes y cuestiona las comparaciones o afirmaciones antropomórficas del  
algoritmo de red neuronal, cuyas similitudes con la cognición humana, están  
enormemente exageradas.  
Y, es que la gramática generativa fue un punto de partida crucial para la IAG, pero su  
legado se ha diluido en un mar de datos y optimizaciones estadísticas. Para que la  
próxima generación de modelos trascienda la mera imitación superficial, es imperativo  
hacer un reenfoque interdisciplinario: los lingüistas deben participar activamente en el  
diseño de arquitecturas, y los ingenieros deben abandonar la ilusión de que el lenguaje  
puede reducirse a vectores. Solo así la IAG podrá aspirar a una comprensión genuina,  
no estadística, del lenguaje humano.  
Ahora bien, en un estudio de Li, Nye y Andreas (2021) encontraron que la predicción en  
modelos de lenguaje neuronal previamente entrenados está respaldada por  
representaciones dinámicas de significado y una simulación implícita del estado de  
entidad, y que este comportamiento se puede aprender solo con texto como datos de  
entrenamiento, es decir, tienen similitudes funcionales con los modelos lingüísticos de  
semántica dinámica.  
Así, el aprendizaje por transferencia, en el que un modelo primero se entrena  
previamente en una tarea rica en datos antes de ajustarse en una tarea posterior, se ha  
convertido en una técnica poderosa en el procesamiento del lenguaje natural (PLN). El  
trabajo en equipo de Colin (2020) logró abordar el problema de texto de entrada y texto  
nuevo como salida. Sin embargo, hay una desconexión epistemológica entre la IAG y la  
fundamentación lingüística respecto a cómo los humanos entienden y usan el lenguaje.  
Se trata pues de pensar y retomar los estudios acerca del lenguaje y pensamiento. De  
acuerdo con la formulación más reciente de la gramática generativa, biolingüística, y se  
piensa desde la pregunta ¿cuál es su diseño básico? de cómo evoluciona el lenguaje y  
Página 310  
Análisis crítico de la Inteligencia Artificial Generativa en teorías del lenguaje  
Yolima Janeth Rodríguez Jiménez  
Frank Albert Pama Arias  
Volumen: 17  
Recepción: 12/03/2025  
Número: 2  
Año: 2025  
Aprobado: 01/04/2025  
Artículo original  
cuáles son los correlatos neuronales del lenguaje, donde se deduce que el lenguaje  
humano se basa en un mecanismo computacional particular, realizado neuronalmente,  
que produce una gama infinita de expresiones estructuradas (Berwick & Chomsky,  
2013).  
Así es como, en la búsqueda de ofrecer una mejora en la IAG, se encuentra SemBERT,  
que integra etiquetado de roles semánticos (SRL) en BERT, con el fin de mejorar la  
comprensión de predicados y argumentos (Zhang et al., 2023) y, los modelos  
ecológicos, que buscan incorporar la variación dialectal y el contexto cultural con el fin  
de evitar sesgos hegemónicos (Inoue, 2024). Sin embargo, se ha presentado la  
generación de contenido sesgado o fraudulento.  
Además, la expansión de los modelos de lenguaje, como GPT-3, ha revelado una  
notable mejora en su rendimiento, especialmente en tareas que requieren  
independencia y en situaciones donde hay pocos ejemplos disponibles para el  
aprendizaje (Brown et al, 2020), pues se basa en una arquitectura de transformadores y  
cuenta con la impresionante cifra de 175 mil millones de parámetros, lo que lo convierte  
en un modelo diez veces más grande que cualquier otro anterior que no empleara  
dispersión. Esta considerable cantidad de parámetros permite al modelo manejar y  
analizar grandes volúmenes de datos, identificando patrones complejos dentro del  
contexto. Por lo tanto, GPT-3 es capaz de generar texto coherente y relevante, sin  
necesidad de ajustes extensivos.  
Cuestiones éticas y del lenguaje  
Frente al incremento en el uso de la inteligencia artificial generativa (IAG), impulsado  
por el auge de los beneficios que ofrece, se evidencia cómo estas tecnologías no solo  
replican patrones lingüísticos complejos, sino también sesgos sociales profundamente  
arraigados. El uso generalizado y, en muchos casos, desinformado de herramientas  
como ChatGPT o Gemini revela una tendencia creciente hacia la automatización de  
procesos cognitivos.  
Los usuarios buscan principalmente el ahorro de tiempo y la elaboración rápida de  
tareas, recurriendo a la réplica mecánica de fórmulas de prompts, sin reflexionar sobre  
las implicaciones éticas, sociales y cognitivas que esto conlleva. Esta práctica  
contribuye a una aproximación superficial al conocimiento, donde el pensamiento crítico  
se ve reemplazado por la simple repetición de instrucciones, generando así un uso  
acrítico de tecnologías que moldean el discurso y la información.  
Según Kessler y Casal (2024) y Névéol et al. (2018b), los modelos generativos como  
ChatGPT y Gemini reflejan desigualdades históricas, ya que se entrenan en datos que  
priorizan lenguas hegemónicas y perspectivas dominantes, lo que perpetúa la  
marginalización de comunidades lingüísticas minoritarias. Esta reproducción de  
desigualdades se manifiesta también en estereotipos de género, raza y clase, lo que  
plantea una serie de retos éticos y sociales urgentes.  
Página 311  
Análisis crítico de la Inteligencia Artificial Generativa en teorías del lenguaje  
Yolima Janeth Rodríguez Jiménez  
Frank Albert Pama Arias  
Volumen: 17  
Recepción: 12/03/2025  
Número: 2  
Año: 2025  
Aprobado: 01/04/2025  
Artículo original  
En este sentido, el fenómeno del uso desinformado de IAG afecta directamente los  
procesos cognitivos, fomentando una dependencia tecnológica que impide el desarrollo  
de habilidades críticas y analíticas. La facilidad con la que se accede a estas  
herramientas y la velocidad con la que generan contenido de aparente calidad fomentan  
una confianza ciega en los resultados, lo que limita la capacidad de los usuarios para  
evaluar, interpretar y contextualizar la información. Este escenario promueve la  
replicación de narrativas dominantes sin cuestionamiento alguno, reforzando así  
estructuras de poder que favorecen a quienes controlan la producción y distribución del  
conocimiento. En este sentido, la IAG se convierte en un mecanismo que no solo  
automatiza la generación de texto, sino que también reproduce las desigualdades  
inherentes al sistema de conocimiento global.  
Al respecto, Gallent-Torres et al. (2023) analizan cómo herramientas como ChatGPT  
representan una amenaza para la integridad académica, al ser capaces de generar  
textos que imitan la autoría humana con un nivel de sofisticación que dificulta su  
detección. Esta situación plantea interrogantes éticos sobre la originalidad y  
autenticidad del trabajo académico, así como sobre los criterios de evaluación en  
contextos educativos. La posibilidad de presentar textos generados por IA como propios  
socava los principios fundamentales de la educación, basados en el desarrollo del  
pensamiento crítico, la argumentación y la creatividad. Por ejemplo, un estudio de  
Alvero, Lee, Regla Vargas y otros (2024) mostró cómo los textos de ensayos generados  
con IA tienen más similitud a los escritos por estudiantes varones de altos recursos.  
Además, el uso indebido de estas tecnologías podría trivializar la producción  
académica, reduciendo el aprendizaje a un proceso mecánico de reproducción textual  
sin comprensión profunda.  
De esta forma, la capacidad de la IAG para replicar patrones lingüísticos se basa en  
algoritmos que identifican correlaciones estadísticas en grandes volúmenes de datos.  
Sin embargo, esta habilidad técnica también conlleva la reproducción de sesgos  
presentes en los datos de entrenamiento. Por ejemplo, Pérez (2024) advierte que, en  
tareas de análisis de sentimientos, términos como “emocional” o “agresiva” se asocian  
desproporcionadamente con textos escritos por mujeres, lo que refuerza estereotipos  
de género. Además, las capacidades generativas competentes de los LLM solo se  
observan en idiomas con altos recursos, mientras que lenguas con menor cantidad de  
hablantes no gozan de las mismas capacidades debido al desequilibrio en los datos  
previos al entrenamiento (Nguyen et al, 2024). Este tipo de sesgos no son meros  
errores técnicos, sino reflejos de desigualdades estructurales que se perpetúan a través  
de los sistemas de IA. Además, la falta de representación de lenguas minoritarias en los  
datos de entrenamiento de modelos como GPT-4 profundiza la brecha lingüística y  
cultural, lo que lleva a la invisibilización de comunidades enteras en el ámbito digital.  
Por lo tanto, la opacidad en los procesos de entrenamiento y desarrollo de modelos  
generativos también constituye una barrera para la evaluación crítica de su  
funcionamiento. Empresas como OpenAI no divulgan información completa sobre los  
Página 312  
Análisis crítico de la Inteligencia Artificial Generativa en teorías del lenguaje  
Yolima Janeth Rodríguez Jiménez  
Frank Albert Pama Arias  
Volumen: 17  
Recepción: 12/03/2025  
Número: 2  
Año: 2025  
Aprobado: 01/04/2025  
Artículo original  
datasets utilizados, lo que impide una revisión independiente y transparente. Li et al.  
(2024) sostienen que esta falta de transparencia incrementa la posibilidad de que los  
modelos reproduzcan sesgos sin que existan mecanismos claros para su detección y  
corrección. Este problema se agrava cuando se considera que los usuarios tienden a  
asumir la neutralidad de la IA, desconociendo que los corpus textuales que alimentan  
estos modelos son construcciones sociales cargadas de ideología. La ausencia de una  
evaluación crítica de estas tecnologías pone en riesgo la producción y difusión de  
conocimiento equitativo y plural.  
Dwork & Roth (2014), explica que las decisiones de diseño en los algoritmos incorporan  
juicios de valor y, por lo tanto, sesgan el modo en que funcionan los sistemas.  
Recordemos que la minería de datos aprende con el ejemplo, por lo cual depende de la  
información que recibe y ha estado expuesta y en el proceso de selección de  
características, las organizaciones toman decisiones sobre los atributos que observan y  
posteriormente incorporan en sus análisis.  
Al respecto se encuentra cómo empresas de IA suelen defender sus modelos como  
"neutrales", argumentando que los sesgos reflejan "la realidad de los datos", pero esta  
postura ignora que los corpus textuales son construcciones sociales cargadas de  
ideología. Existen varios ejemplos en cuestión, como el PLN clínico donde lenguas  
minoritarias sufren inequidades por falta de datos (Névéol et al., 2018a), o el caso  
donde modelos como ChatGPT o Gemini reflejan desigualdades históricas (Kessler &  
Casal, 2024; Névéol et al., 2018a).  
A esto se suma cómo herramientas como ChatGPT amenazan la integridad académica  
al generar textos que imitan la autoría humana (Gallent-Torres et al., 2023), entre  
muchos otros casos. El trabajo de Rentier (2024) muestra que la generación de textos  
puede carecer de precisión fáctica o lógica y que GenAI no es transparente frente a  
dónde se obtiene la información.  
Frente a estos desafíos, se han propuesto estrategias para promover un uso ético e  
inclusivo de la IAG. Una de ellas es la diversificación de los datos de entrenamiento,  
integrando lenguas y perspectivas tradicionalmente marginadas. Muñoz-Basols et al.  
(2024) proponen el marco IMI+, que integra enfoques decoloniales en el diseño y  
entrenamiento de modelos de IA, exigiendo diversidad de fuentes, transparencia en el  
etiquetado de datos y participación de sociolingüistas en los procesos de evaluación.  
Sin embargo, estas iniciativas enfrentan obstáculos significativos debido a la falta de  
colaboración entre las comunidades académicas y las corporaciones tecnológicas, así  
como a la resistencia de estas últimas a revelar sus procesos internos.  
Así es como la participación comunitaria emerge como una estrategia clave para  
contrarrestar las desigualdades estructurales en el desarrollo de IAG (Loftus et al, 2024)  
subraya la necesidad de involucrar a comunidades locales y hablantes nativos en los  
procesos de recolección y etiquetado de datos, garantizando una representación  
auténtica de sus voces. Esta colaboración no solo enriquecería la diversidad lingüística  
y cultural de los modelos generativos, sino que también contribuiría a su legitimidad y  
Página 313  
Análisis crítico de la Inteligencia Artificial Generativa en teorías del lenguaje  
Yolima Janeth Rodríguez Jiménez  
Frank Albert Pama Arias  
Volumen: 17  
Recepción: 12/03/2025  
Número: 2  
Año: 2025  
Aprobado: 01/04/2025  
Artículo original  
aceptación en contextos locales. Además, la educación crítica en el uso de tecnologías  
de IA se presenta como una herramienta fundamental para empoderar a los usuarios y  
fomentar un uso consciente de estas herramientas.  
En efecto, la integración de enfoques éticos y la gobernanza transparente son aspectos  
imprescindibles para garantizar que la IAG no perpetúe desigualdades estructurales.  
Kessler y Casal (2024) sugieren que los lingüistas y sociolingüistas deben desempeñar  
un papel central en la creación de marcos éticos para la IA, estableciendo principios de  
transparencia, equidad y responsabilidad. Asimismo, proponen la realización de  
auditorías externas independientes que permitan evaluar los sesgos presentes en los  
modelos de IA, asegurando que las decisiones algorítmicas sean justas y explicables.  
Estas medidas contribuirían a una regulación más estricta del desarrollo de IAG,  
promoviendo la inclusión y la diversidad lingüística.  
La interdisciplinariedad también desempeña un papel crucial en el diseño de modelos  
de IAG más robustos y culturalmente sensibles. La colaboración entre lingüistas,  
ingenieros, neurocientíficos y expertos en ética puede conducir a la creación de  
modelos que emulen procesos cognitivos humanos, como la memoria episódica, la  
integración multisensorial y el razonamiento pragmático. Inoue (2024) propone modelos  
ecológicos de IA que incorporen variaciones dialectales y contextos culturales,  
priorizando la creación de modelos ligeros y accesibles para regiones con  
infraestructura tecnológica limitada. Esta aproximación no solo mejoraría la  
comprensión lingüística de los modelos generativos, sino que también garantizaría su  
relevancia y aplicabilidad en contextos diversos.  
Y, aunque la inteligencia artificial generativa (IAG) promete ser una herramienta  
universal, pero su desarrollo está marcado por una paradoja: mientras aspira a  
trascender fronteras, reproduce jerarquías lingüísticas y cognitivas profundamente  
arraigadas. La brecha entre lenguas hegemónicas y minorizadas, así como la  
desconexión entre la cognición humana y la artificial, no son meros obstáculos técnicos,  
sino síntomas de un problema estructural.  
Estos retos exigen una revisión crítica de cómo la IAG conceptualiza el lenguaje y la  
inteligencia, y cómo reproduce —o subvierte— desigualdades históricas. En efecto, los  
modelos de IAG se entrenan con datasets que reflejan un orden lingüístico global  
desigual. Por ejemplo, el 92% de los datos de GPT-4 provienen de fuentes en inglés,  
chino mandarín y español, mientras que lenguas como el quechua, el náhuatl o el  
yorúba representan menos del 0.3% (Bolaño-García, 2024). Esta desproporción no es  
casual: responde a dinámicas coloniales que privilegian idiomas asociados con poder  
económico y político. El resultado es una IAG que invisibiliza a más de 3,000 lenguas,  
acelerando su extinción y marginando a sus hablantes.  
Aquí, la lingüística de corpus aporta metodologías para recolectar y etiquetar textos en  
lenguas de bajos recursos, como estrategia para democratizar la IAG, por un lado, se  
propone que los lingüistas lideren los marcos éticos para IAG, con el fin de promover  
transparencia en fuentes y mitigar estereotipos culturales (Kessler y Casal, 2024), y por  
Página 314  
Análisis crítico de la Inteligencia Artificial Generativa en teorías del lenguaje  
Yolima Janeth Rodríguez Jiménez  
Frank Albert Pama Arias  
Volumen: 17  
Recepción: 12/03/2025  
Número: 2  
Año: 2025  
Aprobado: 01/04/2025  
Artículo original  
otro lado, Paulus y Marone (2024) advierten sobre cómo al integrar herramientas GenAI  
en software de codificación cualitativa para el análisis en estudios cualitativos como  
ATLAS.ti, NVivo y MAXQDA se puede entrar en conflicto con fundamentos  
epistemológicos propios de los estudios críticos del discurso.  
Además, la lingüística crítica, desde enfoques como el análisis del discurso,  
proporciona herramientas para deconstruir estas dinámicas. Por ejemplo, el marco IMI+  
de Muñoz-Basols et al. (2024) integra perspectivas decoloniales en el entrenamiento de  
IA, que exige: diversidad de fuentes, inclusión de textos escritos por comunidades  
marginadas, transparencia en etiquetado, documentación pública de criterios para  
identificar sesgos y participación de sociolingüistas en la evaluación de modelos. Sin  
embargo, estas iniciativas chocan con la opacidad corporativa. Empresas como OpenAI  
no revelan detalles completos de sus datasets, lo que dificulta una evaluación  
independiente (Li et al., 2024).  
Es así como la lingüística no puede limitarse a ser un insumo técnico para la IAG; debe  
erigirse como un contrapoder ético. Los sesgos no son “errores” corregibles con ajustes  
algorítmicos, sino síntomas de estructuras de poder que privilegian ciertas voces sobre  
otras. Sin una intervención lingüística crítica, la IAG seguirá siendo un instrumento de  
homogenización cultural, lejos de su promesa de democratizar el conocimiento. A pesar  
de los avances, la IAG prioriza lenguas mayoritarias. Estudios como el de Jain et al.  
(2024) muestran que el acceso desigual a tecnologías digitales amplía brechas  
educativas, mientras que Inoue (2024) propone modelos ecológicos que integren  
variaciones dialectales y contextos culturales.  
A lo anterior se suma el hecho de que la inteligencia artificial esté siendo adoptada cada  
vez más en el sector público, especialmente en la seguridad pública en donde la  
tecnología de identificación biométrica remota (RBI) es objeto de un intenso debate  
pues perpetúan sesgos y vulneran derechos humanos fundamentales (Kieslich &  
Lünich, 2024).  
En primer lugar, se deben fortalecer los esfuerzos de documentación y digitalización de  
lenguas minoritarias, asegurando que estos datos sean accesibles para la comunidad  
científica y tecnológica. En segundo lugar, se requiere la implementación de políticas  
que obliguen a las grandes corporaciones a considerar la diversidad lingüística en el  
diseño y entrenamiento de sus modelos. Finalmente, la interdisciplinariedad entre  
lingüística, IA y ciencias cognitivas es clave para desarrollar modelos que no solo sean  
eficientes en la generación de texto, sino que también respeten la pluralidad lingüística  
y cultural. Frente a esta situación y a la compleja estructura de la IAG, el grupo  
Fairness, Accountability and Transparency (FAccT) reúne la participación  
interdisciplinaria de profesionales que debaten los problemas de discriminación, falta de  
transparencia y rendición de cuentas, y ausencia de un debido proceso en los sistemas  
automatizados.  
Por lo tanto, la diversidad lingüística es un pilar ético y técnico por lo que ignorarlo no  
solo perpetúa desigualdades, sino que condena a la IA a una comprensión superficial y  
Página 315  
Análisis crítico de la Inteligencia Artificial Generativa en teorías del lenguaje  
Yolima Janeth Rodríguez Jiménez  
Frank Albert Pama Arias  
Volumen: 17  
Recepción: 12/03/2025  
Número: 2  
Año: 2025  
Aprobado: 01/04/2025  
Artículo original  
etnocéntrica del lenguaje. La verdadera innovación no radica en modelos más grandes,  
sino en paradigmas más humildes y colaborativos, donde la lingüística y las  
comunidades marginadas lideren el diseño tecnológico. Solo así la IAG podrá aspirar a  
ser verdaderamente universal, por lo que, la diversidad lingüística y la cognición  
representan desafíos fundamentales para el desarrollo de la IAG. La dependencia de  
lenguas mayoritarias, la falta de modelos pragmáticamente competentes y la  
colonialidad en la producción tecnológica limitan el potencial de estas herramientas  
para convertirse en verdaderos agentes comunicativos. La solución a estos problemas  
no solo depende de avances técnicos, sino también de un compromiso ético y político  
con la equidad lingüística y la representación justa en la era digital.  
Finalmente, es fundamental abordar la colonialidad en el desarrollo de tecnologías  
lingüísticas. Bolaño-García (2024) advierte que los modelos de IAG están diseñados y  
entrenados mayoritariamente en el Norte Global, lo que implica que reflejan y refuerzan  
visiones del mundo dominantes, dejando de lado epistemologías y formas de  
conocimiento propias de comunidades no hegemónicas. Esta tendencia contribuye a la  
marginalización de lenguas indígenas y a la reproducción de sesgos culturales que  
distorsionan la representación de ciertas identidades en los sistemas de IA. Para  
contrarrestar este fenómeno, se requieren políticas públicas y legislaciones que  
promuevan la diversidad lingüística y cultural en el desarrollo de tecnologías de IA, así  
como la financiación de proyectos liderados por comunidades marginadas.  
Una muestra de ello es el trabajo de Koc (2025) en donde analiza la ética y las  
limitaciones las IA generativas y los LLM en la preservación de lenguas en peligro de  
extinción y ve como oportunidad la capacidad de producir grandes volúmenes de  
materiales lingüísticos, así como apoyar la investigación lingüística identificando  
patrones y estructuras que no son muy evidentes, pero también alerta frente a posibles  
intereses económicos y la obtención de materiales lingüísticos de código abierto sin el  
consentimiento de la comunidad.  
También se encuentra el trabajo de Uchechukwu (2025) que busca superar el problema  
de la memoria a largo plazo de las IAG mediante memoria episódica para el aprendizaje  
experiencial, memoria semántica para la comprensión conceptual y memoria  
procedimental para la retención de habilidades.  
Conclusiones  
En conclusión, aunque la inteligencia artificial generativa ofrece oportunidades  
significativas para democratizar el conocimiento y optimizar procesos cognitivos, su uso  
generalizado plantea una serie de desafíos éticos, sociales y lingüísticos que no pueden  
ser ignorados. La reproducción de sesgos lingüísticos y sociales, la amenaza a la  
integridad académica y la perpetuación de desigualdades estructurales son problemas  
que exigen un enfoque crítico y multidisciplinario. Solo mediante la colaboración entre  
comunidades locales, expertos en lingüística, ingenieros y responsables políticos se  
podrá garantizar el desarrollo de tecnologías de IAG que sean inclusivas, éticas y  
culturalmente sensibles. La verdadera innovación en este campo no radica únicamente  
Página 316  
Análisis crítico de la Inteligencia Artificial Generativa en teorías del lenguaje  
Yolima Janeth Rodríguez Jiménez  
Frank Albert Pama Arias  
Volumen: 17  
Recepción: 12/03/2025  
Número: 2  
Año: 2025  
Aprobado: 01/04/2025  
Artículo original  
en la creación de modelos más grandes y eficientes, sino en la construcción de  
paradigmas tecnológicos que respeten y promuevan la pluralidad lingüística y cultural  
del mundo.  
Retos y reflexión  
Para promover una inteligencia artificial (IA) más inclusiva, ética y cognitivamente  
robusta, es necesario adoptar un enfoque interdisciplinario que integre conocimientos  
de diversas disciplinas, como la lingüística, la ciencia cognitiva, la ética, las ciencias  
sociales, la tecnología y las humanidades. Por ejemplo, hacer la documentación y  
digitalización de lenguas minoritarias donde se involucre a hablantes nativos y  
comunidades locales en la recolección y etiquetado de datos, garantizando que sus  
voces sean auténticamente representadas.  
Diseñar modelos que no solo traduzcan palabras, sino que también capturen conceptos  
culturales únicos y cosmovisiones. Esto significa incorporar variaciones dialectales y  
registros sociolingüísticos para evitar la homogeneización cultural.  
Descentralizar la producción de tecnologías de IA, involucrando a instituciones  
académicas y tecnológicas del Sur Global en el diseño y entrenamiento de modelos.  
Crear programas educativos que combinen IA, lingüística, ética y ciencias sociales,  
formando profesionales capaces de abordar los desafíos complejos de la IA desde  
múltiples perspectivas en donde se capacite a docentes y estudiantes en el uso crítico  
de herramientas de IA, enseñándoles a identificar y mitigar sesgos.  
Referencias bibliográficas  
Alvero, A. J., Lee, J., Regla-Vargas, A. et al. (2024). Large language models, social  
demography, and hegemony: comparing authorship in human and synthetic text.  
https://doi.org/10.1186/s40537-024-00986-7  
Beerends, S. & Aydin, C. (2024). Negotiating the authenticity of AI: how the discourse on  
AI rejects human indeterminacy. https://doi.org/10.1007/s00146-024-01884-5  
Bernal Leongómez, J. (1984). Tres momentos estelares en lingüística.  
https://selloeditorial.caroycuervo.gov.co/detalle-libro/tres-momentos-estelares-en-  
lingistica-pdf  
Berwick, R. C., Chomsky, N. et al. (2013). Evolution, brain, and the nature of language.  
https://doi.org/10.1016/j.tics.2012.12.002  
Bolaño García, M. (2024). Inteligencia artificial para la educación: desafíos y  
oportunidades. Praxis, 20(1), 8–12. https://doi.org/10.21676/23897856.5997  
Brown, T. et al. (2020). Language Models are Few-Shot Learners.  
https://arxiv.org/abs/2005.14165  
Chomsky, N. (1965). Aspects of the theory of syntax. MIT Press.  
Página 317  
Análisis crítico de la Inteligencia Artificial Generativa en teorías del lenguaje  
Yolima Janeth Rodríguez Jiménez  
Frank Albert Pama Arias  
Volumen: 17  
Recepción: 12/03/2025  
Número: 2  
Año: 2025  
Aprobado: 01/04/2025  
Artículo original  
Colin, R. et al. (2020). Exploring the Limits of Transfer Learning with a Unified Text-to-  
Text Transformer. https://jmlr.org/papers/volume21/20-074/20-074.pdf  
Devlin, J., Chang, M. W., Lee, K. & Toutanova, K. (2019). BERT: Pre-training of deep  
bidirectional transformers for language understanding. Proceedings of NAACL-  
HLT 2019. https://www.aclweb.org/anthology/N19-1423/  
Dwork, C. & Roth, A. (2014). The Algorithmic Foundations of Differential Privacy.  
Foundations and Trends® in Theoretical Computer Science, 9(3–4), 211-407.  
http://dx.doi.org/10.1561/0400000042  
Fairclough, N. (1992). Discourse and social change. Polity Press.  
Gallent-Torres, C. et al. (2023). El impacto de la inteligencia artificial generativa en  
educación superior: una mirada desde la ética y la integridad académica.  
https://doi.org/10.30827/relieve.v29i2.29134  
Greco, C. M. & Tagarelli, A. (2024). Ordenando el ámbito de los modelos lingüísticos  
basados en Transformers para la inteligencia artificial y el derecho. Artif Intell  
Law, 32, 863–1010. https://doi.org/10.1007/s10506-023-09374-7  
Greemberg, J. (1963). Some universals of grammar with particular reference to the  
order of meaningful elements. En Joseph H. Greenberg (ed.), Universals of  
Language  
(2ª  
ed.),  
73-113.  
MIT  
Press.  
https://babel.ucsc.edu/~hank/114/greenberg.pdf  
Inoue, H. (2024). Ecological AI models: Towards linguistic diversity and inclusivity.  
Linguistic Frontiers in AI Research, 21(4), 56-72.  
https://www.researchgate.net/publication/385652682_The_Education_Revolution  
_through_Artificial_Intelligence_Enhancing_Skills_Safeguarding_Rights_and_Fac  
ilitating_Human-Machine_Collaboration  
Jain, R. et al. (2024). Digital divide and AI accessibility: An educational perspective.  
Computers  
in  
Education  
Review,  
32(1),  
100-118.  
https://www.researchgate.net/publication/371575436_Addressing_the_Digital_Div  
ide_Access_and_Use_of_Technology_in_Education  
Jackson, C. (2018). Learn programming in python with Cody Jackson: Grasp the basics  
of programming and Python syntax while building real-world applications.  
https://www.abebooks.co.uk/9781789531947/Learn-Programming-Python-Cody-  
Jackson-1789531942/plp  
Página 318  
Análisis crítico de la Inteligencia Artificial Generativa en teorías del lenguaje  
Yolima Janeth Rodríguez Jiménez  
Frank Albert Pama Arias  
Volumen: 17  
Recepción: 12/03/2025  
Número: 2  
Año: 2025  
Aprobado: 01/04/2025  
Artículo original  
Kessler, T. & Casal, M. (2024). The role of linguists in AI ethics: Transparency and bias  
mitigation. Journal of Applied Linguistics and AI Ethics, 18(2), 65-84.  
https://www.researchgate.net/profile/George-Benneh-  
Mensah/publication/375744287_Artificial_Intelligence_and_Ethics_A_Comprehen  
sive_Review_of_Bias_Mitigation_Transparency_and_Accountability_in_AI_  
Kieslich, K. & Lünich, M. (2024). Regulating AI-Based Remote Biometric Identification.  
Investigating the Public Demand for Bans, Audits, and Public Database  
Registrations. https://facctconference.org/static/papers24/facct24-12.pdf  
Koc, V. (2025). Generative AI and Large Language Models in Language Preservation:  
Opportunities and Challenges. https://arxiv.org/html/2501.11496v1  
Li, B., Nye, M. & Andreas, J. (2021). Implicit Representations of Meaning in Neural  
Language Models. In Proceedings of the 59th Annual Meeting of the Association  
for Computational Linguistics and the 11th International Joint Conference on  
Natural Language Processing. https://doi.org/10.18653/v1/2021.acl-long.143  
Li, X. et al. (2024). The transparency challenge in AI: Dataset opacity and accountability.  
https://doi.org/10.1016/j.dss.2020.113302  
Mohammed, Q. & Shormani, I. (2024). Generative linguistics contribution to artificial  
intelligence: Where this contribution lies? https://www.arxiv.org/pdf/2410.20221  
Muñoz Basols, J., Palomares Marín, M. & Moreno Fernández, F. (2024). El Sesgo  
Lingüístico Digital (SLD) en la inteligencia artificial: implicaciones para los  
modelos  
de  
lenguaje  
masivos  
en  
español.  
https://doi.org/10.15381/lengsoc.v23i2.28665  
Nguyen, A. et al. (2023). Democratizing AI: The role of linguistic corpora in low-resource  
languages. Journal of Computational Linguistics and AI, 45(3), 125-140.  
https://doi.org/10.48550/arXiv.2306.11372  
Névéol, A., Dalianis, H., Velupillai, S., Savova, G. & Zweigenbaum, P. (2018a). Clinical  
Natural Language Processing in languages other than English: opportunities and  
challenges.  
J
Biomed  
Semantics,  
9(1),  
12.  
https://jbiomedsem.biomedcentral.com/articles/10.1186/s13326-018-0179-8  
Névéol, A., et al. (2018b). Clinical NLP for underrepresented languages: Challenges and  
perspectives. Journal of Biomedical Informatics, 88, 125-142.  
https://jbiomedsem.biomedcentral.com/articles/10.1186/s13326-018-0179-8  
Paulus, T. M. & Marone, V. (2024). In minutes instead of weeks: Discursive  
constructions  
of  
generative  
AI  
and  
qualitative  
data  
analysis.  
https://doi.org/10.1177/10778004241250065  
Página 319  
Análisis crítico de la Inteligencia Artificial Generativa en teorías del lenguaje  
Yolima Janeth Rodríguez Jiménez  
Frank Albert Pama Arias  
Volumen: 17  
Recepción: 12/03/2025  
Número: 2  
Año: 2025  
Aprobado: 01/04/2025  
Artículo original  
Pannachin, C. & Goertzel, B. (2007). Contemporary approaches to artifcial general  
intelligence. ennachin, C., Goertzel, B. (2007). Contemporary Approaches to  
Artificial General Intelligence. In Goertzel, B., Pennachin, C. (eds) Artificial  
General Intelligence. Cognitive Technologies. Springer, Berlin, Heidelberg.  
https://doi.org/10.1007/978-3-540-68677-4_1  
Pérez Ugena, C. (2024). Sesgo de género (en IA). Eunomía. Revista en Cultura de la  
Legalidad, 26, 311-330. https://doi.org/10.20318/eunomia.2024.8515  
Rentier, E. (2024). To use or not to use: exploring the ethical implications of using  
generative AI in academic writing. https://doi.org/10.1007/s43681-024-00649-6  
Riccardi, A., et al. (2024). The Two Word Test: Evaluating semantic coherence in large  
language  
models.  
Computational  
Semantics  
Review.  
https://www.nature.com/articles/s41598-024-72528-3.pdf  
Loftus, T. J., Balch, J. A., Abbott, K. L., Hu, D., Ruppert, M. M., Shickel, B., Ozrazgat-  
Baslanti, T., Efron, P. A., Tighe, P. J., Hogan, W. R., Rashidi, P., Cardel, M. I.  
Upchurch, G. R. & Bihorac A. (2024). Community-engaged artificial intelligence  
research:  
A
scoping  
review.  
https://journals.plos.org/digitalhealth/article?id=10.1371/journal.pdig.0000561  
Uchechukwu, A. (2025). Memory Architectures in Long-Term AI Agents: Beyond Simple  
State Representation. https://doi.org/10.13140/RG.2.2.26486.51527  
Van Dijk, T. A. (1993). Elite discourse and racism. SAGE Publications.  
Watson, D. (2019). The Rhetoric and Reality of Anthropomorphism in Artificial  
Intelligence. Minds & Machines 29, 417–440. https://doi.org/10.1007/s11023-019-  
09506-6  
Zhang, Y. et al. (2023). SemBERT: Enhancing BERT with semantic role labeling.  
https://ojs.aaai.org/index.php/AAAI/article/view/6510  
Conflicto de intereses: Los autores declaran no tener conflictos de intereses.  
Contribución de autores: Los autores participaron en la búsqueda y análisis de la información para el artículo, así  
como en su diseño y redacción.  
Página 320