Euskorpora: 10M€ para que la IA hable euskera

¿Por qué lenguas como el euskera corren riesgo de «extinción digital»?

La operación vasca para que la IA hable euskera mueve 5,55 millones de euros en su primer tramo, con el objetivo declarado de llegar a 10 millones en 2027 según la presentación del lehendakari Imanol Pradales. Para una startup que trabaje con datos en mercados de nicho, la estrategia vasca es un caso de estudio: cuando el mercado global no va a producir los datos que necesitas, los produces tú, en abierto, con dinero público y socios privados.

La cita de Paula Lasagabaster, directora de Marketing y Comunicación de Euskorpora, lo resume sin rodeos: «Hay una lengua que es la reina, que es el inglés. Y lo es porque empezaron hace muchísimos años a hacer todo esto que estamos haciendo nosotros ahora». El euskera, con una comunidad de hablantes reducida a escala global, vive lo que el Gobierno Vasco bautizó como riesgo de «extinción digital» en la presentación del proyecto Euskorpus: las lenguas que no entran en los datasets que nutren a ChatGPT, Claude o Gemini quedan fuera del vocabulario cotidiano de millones de personas, no por motivos demográficos sino técnicos.

¿Quién está detrás de Euskorpora y Euskorpus?

Euskorpora no es una startup al uso. Es una asociación sin ánimo de lucro, radicada en el parque tecnológico de Miramón en Donostia y constituida en enero de 2024, que reúne universidades, centros tecnológicos, empresas privadas y entidades públicas, según explica la propia Lasagabaster en la entrevista con El Diario Vasco. Su misión declarada es «promover la presencia del euskera en el entorno digital» y, para ello, su primer gran proyecto es Euskorpus: la creación de corpus digitales en euskera que se transforman en datasets utilizables por modelos de inteligencia artificial.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

El ecosistema que la sostiene es inusual para una iniciativa de este tipo. La asamblea de socios, según el acta de la presentación recogida por eldiario.es, reúne a Vicomtech (centro de referencia en tecnologías del habla), EREIL Technologies, TREBE Language Technologies, Euskaltzaindia (la Real Academia de la Lengua Vasca), EiTB (radiotelevisión pública vasca), CAF, Petronor, MCC, Euskaltel Fundazioa, Kutxabank, PWC, Logikaline y Baleuko, además del propio Gobierno Vasco. La presidencia recae en Julián Florez, y la dirección técnica cuenta con figuras como Arantza del Pozo, directora de Tecnologías para el Procesamiento de la Voz y el Lenguaje Natural de Vicomtech.

El objetivo que Pradales resumió en la presentación es directo: «euskaldunizar la inteligencia artificial», es decir, conseguir que smartphones, tablets, asistentes como Siri o Alexa y cualquier aplicación conectada funcionen en euskera.

¿Cómo se ejecuta el proyecto de 10 millones para digitalizar el euskera?

Euskorpus se ejecuta en tres fases, según la documentación oficial recogida por El Español. La primera es de planificación y definición, con la puesta en marcha de la oficina técnica que determinará la tipología del corpus y los sectores estratégicos (Justicia, Educación, Salud, e-Administración, Seguridad, Alimentación, Industria Inteligente). La segunda aborda la recopilación de corpus lingüísticos, el desarrollo de modelos base de código abierto y la creación de infraestructuras para almacenamiento y validación. La tercera se centra en la transferencia y explotación: integrar esos modelos en el mercado digital, en empresas, instituciones y plataformas europeas de datos lingüísticos.

El dinero llega en dos tramos. La partida principal, de 5,55 millones, la gestionan los departamentos de Industria y de Cultura y Política Lingüística, con 2 millones en 2025 y 3 millones en 2026. A eso se suman 550.000 euros aportados por los departamentos de Cultura y Política Lingüística y de Ciencia, Universidades e Innovación. La meta declarada es que la inversión alcance los 10 millones en 2027, según la información oficial facilitada en la presentación.

La estrategia se alinea con el Marco Estratégico AROA del Gobierno Vasco y con la Carta Europea de las Lenguas Regionales o Minoritarias, lo que da cobertura institucional a una operación que, vista desde fuera, parece más propia de un país pequeño que de una comunidad autónoma.

Itzuli, Latxa y Euskorpus: ¿qué papel juega cada herramienta?

Euskorpus no llega solo. Como explicó El Español, el Gobierno Vasco ha construido una pila tecnológica en tres capas. Primero fue Itzuli, el traductor inteligente para euskera, español, inglés y francés desarrollado por el propio ejecutivo. Después llegó Latxa, el mayor modelo de lenguaje (LLM) en euskera, presentado en enero de 2024 por el centro HiTZ de la Universidad del País Vasco (UPV-EHU).

Latxa está basado en los modelos LLaMA de Meta y abarca desde 7.000 hasta 70.000 millones de parámetros, según la información publicada por la UPV-EHU. Se entrenó con EusCrawl, un corpus que contiene 1,72 millones de documentos y 288 millones de palabras extraídas de 33 sitios web en euskera. Los modelos están publicados en abierto en Hugging Face, lo que permite que cualquier desarrollador pueda adaptarlos a productos concretos, como explicó el director de HiTZ, Eneko Agirre, a El Correo.

Euskorpus cierra el triplete: si Itzuli traduce y Latxa razona, Euskorpus proporciona la materia prima lingüística sobre la que ambos se entrenan. Es la capa base sin la que las dos anteriores no mejorarían. Esa secuencia, corpus antes que LLM antes que aplicación, es la que cualquier estrategia de IA en una lengua o dominio con pocos recursos debería replicar.

¿Qué significa esto para tu startup?

La operación vasca es, de facto, un caso de estudio de cómo construir infraestructura lingüística cuando el mercado global no va a hacerlo por ti. Tres lecciones concretas para founders:

Piensa en vertical, no en escala global. Euskorpora no compite con OpenAI en euskera generalista; compite en la calidad de un dataset en una lengua donde nadie más va a invertir. Para una startup en LATAM o España, el equivalente puede ser un corpus muy especializado (legal sanitario, jerga industrial regional, dialectos locales, normativas autonómicas) que los grandes modelos ignoran por falta de masa crítica.
Abre el código y alía con el sector público. Latxa y Euskorpus son open source y cuentan con cofinanciación pública. El modelo vasco de asociación público-privada permite a una empresa pequeña acceder a datos y talento que de otro modo serían imposibles. Founders que trabajen en lenguas locales, patrimonio cultural o regulación deberían explorar convocatorias autonómicas y europeas alineadas con la Carta de Lenguas Minoritarias.
Construye corpus antes que producto. El error más caro en proyectos de IA con datos escasos es entrenar el modelo antes de tener datos limpios. Euskadi lo aprendió: Itzuli y Latxa llegaron después de Euskorpus. En tu startup, audita primero qué datos tienes, qué calidad tienen y qué falta antes de gastar un euro en cómputo.

La propia Lasagabaster lo dijo con claridad en El Diario Vasco: «El euskera se ha puesto las pilas, la gente ha entendido que esto es urgente y estamos acelerando». Para un founder, ese mismo principio aplica a cualquier mercado desatendido por la IA generalista: la urgencia no la pone el hype, la pone la ventana de tiempo antes de que el modelo global trague el nicho o lo deje fuera.