El chatbot que no entiende a tu cliente
Hay una escena que se repite en empresas chilenas que ya implementaron un chatbot de atención: el cliente escribe "necesito anular una compra que hice ayer" y el bot responde "No entendí tu solicitud. ¿Podrías reformularla?". El cliente intenta de nuevo: "quiero devolver un producto". El bot: "Lo siento, no tengo información sobre devoluciones". El cliente cuelga, llama por teléfono, y la empresa pierde tiempo y confianza.
El problema no es que el chatbot sea malo. Es que fue entrenado con español genérico —o directamente con inglés traducido— y no entiende cómo hablan los chilenos. Chilenismos, modismos, abreviaciones, contextos locales: todo eso queda fuera del modelo.
Este artículo explica por qué ocurre, qué se pierde y cómo arreglarlo. No es una guía técnica exhaustiva ni una promesa de resultados. Es un punto de partida para equipos que quieren que su IA hable como su cliente.
Por qué los chatbots no entienden el español chileno
1. Los modelos base se entrenan con español genérico
Los modelos de lenguaje de gran escala (LLM) se entrenan con enormes corpus de texto de internet. Ese texto está dominado por inglés y, en español, por variantes genéricas, españolas o latinoamericanas neutras. El español chileno —con sus particularidades léxicas, sintácticas y pragmáticas— está subrepresentado.
2. Los chilenismos no están en el vocabulario del modelo
Palabras y expresiones como "cachai", "fome", "bacán", "al tiro", "pololo", "guagua", "carrete", "copete", "pucha", "weón" (en contextos informales), o construcciones como "¿cachai?" como marcador conversacional, no aparecen o aparecen con muy baja frecuencia en los datos de entrenamiento. El modelo no las reconoce o las interpreta mal.
3. Los modismos cambian el significado
En Chile, "estoy piola" no significa lo mismo que en otros países. "Me tinca" no es estándar. "Echar la foca" no aparece en ningún diccionario. Un modelo que interpreta literalmente falla.
4. Las abreviaciones y el lenguaje informal
Los clientes chilenos escriben como hablan: abreviaciones ("q", "xq", "tb", "salu2"), omisión de tildes, uso de "k" por "que". Un modelo entrenado con texto formal no maneja bien este registro.
5. Los contextos locales
Referencias a instituciones, lugares, trámites, productos y servicios chilenos (AFP, ISAPRE, SII, Registro Civil, Transantiago, entre otros) requieren conocimiento local que el modelo base no tiene.
Qué se pierde cuando el chatbot no entiende
No es solo una molestia. Hay consecuencias concretas.
- Experiencia de cliente degradada. El cliente siente que la empresa no lo entiende. La confianza baja.
- Escalación innecesaria. Consultas que el bot podría resolver terminan en un agente humano, aumentando costos y tiempos de espera.
- Pérdida de ventas. Un cliente que no obtiene respuesta clara abandona el proceso de compra.
- Datos de mala calidad. Las conversaciones fallidas generan logs inútiles para mejorar el sistema.
- Percepción de la marca. Un bot que no entiende a su audiencia transmite que la empresa no se preocupó de adaptarse.
Lo que NO funciona
Antes de las soluciones, vale la pena descartar los enfoques que no resuelven el problema.
Solo cambiar el prompt
Agregar "responde en español chileno" al system prompt no basta. El modelo no tiene el conocimiento para cumplir esa instrucción de forma consistente. Puede intentar, pero los resultados son inconsistentes y a menudo artificiales.
Traducir de inglés
Entrenar o ajustar el modelo sobre traducciones automáticas del inglés al español produce un español rígido, sin naturalidad ni matices locales. El cliente lo nota.
Usar un modelo "multilingüe" sin ajuste
Los modelos multilingües cubren muchos idiomas, pero con menor profundidad en cada uno. El español chileno queda en el nivel más superficial.
Ignorar el problema
Algunas empresas asumen que "el español es el español" y que el cliente se adaptará. No se adapta. Abandona.
Cómo arreglarlo
No hay una solución única. La combinación depende del caso, pero estas son las palancas disponibles.
1. Prompting con glosario y ejemplos
Incluir en el prompt un glosario de términos chilenos relevantes para el negocio, con ejemplos de cómo los usan los clientes. Esto ayuda al modelo a reconocer términos y a responder de forma más natural. Es el enfoque más rápido y de menor costo, pero tiene límites: no cambia el modelo, solo le da contexto.
2. RAG con datos locales
Retrieval-Augmented Generation: el chatbot busca en una base de conocimiento propia (FAQ, manuales, conversaciones reales) antes de responder. Si la base contiene lenguaje chileno real, el modelo puede usarlo como referencia. Es más robusto que solo prompting, pero depende de la calidad de los datos.
3. Fine-tuning con datos chilenos
Ajustar el modelo con conversaciones reales de clientes chilenos (anonimizadas) enseña al modelo los patrones, el vocabulario y el estilo local. Es el enfoque más efectivo para mejorar la comprensión, pero requiere datos de calidad, infraestructura y mantenimiento.
4. Evaluación con usuarios reales
Probar el chatbot con clientes chilenos reales, no con datos de prueba genéricos. Medir: ¿entiende la consulta? ¿La respuesta es útil? ¿Suena natural? Sin evaluación real, no se sabe si funciona.
5. Elegir un modelo base con buen español
No todos los modelos base tienen la misma calidad en español. Evaluar varios modelos base con un conjunto de pruebas en español chileno permite elegir el que mejor entiende el idioma antes de ajustarlo.
La importancia de los datos propios
El mayor activo que tiene una empresa chilena para mejorar su chatbot es su propia data: conversaciones reales con clientes, correos, tickets de soporte, transcripciones de llamadas. Esa data contiene el lenguaje real de su audiencia.
El problema es que esa data suele estar dispersa, sin anonimizar y sin estructurar. Prepararla —limpiarla, anonimizarla, organizarla— es el trabajo que determina si el ajuste del modelo funciona o no.
Cómo puede ayudar Personnn
En Personnn trabajamos IA aplicada con foco en operación real. Ayudamos a empresas a construir asistentes que entienden a su audiencia: desde la preparación de datos en español chileno, hasta el ajuste de modelos (fine-tuning), el despliegue sobre infraestructura propia y el monitoreo de calidad en producción.
Si tu chatbot no entiende a tus clientes, o si estás empezando y quieres hacerlo bien desde el principio, conversemos. No es una llamada de venta: es una conversación técnica para ver si te podemos ayudar.