¿Cómo funciona el GEO en hindi?

El hindi es la tercera lengua más hablada del mundo — más de 600 millones de personas según el recuento de Ethnologue — y la lengua de contenido de menos del 0,1% de los sitios web. Ninguna otra lengua en la que trabajamos tiene un ratio hablantes-contenido tan descompensado: el hebreo, con el 0,4% de la web, sirve a unos nueve millones de hablantes; la fracción del hindi sirve a seiscientos millones. Cuando un asistente compone una respuesta en hindi, recupera de uno de los corpus comerciales más delgados de la web.

Esa delgadez cambia a quién se cita. Los asistentes o se apoyan en el puñado de fuentes hindi estructuradas que existen, o caen a páginas en inglés y traducen al vuelo — lo que significa que las pocas fuentes hindi nativas que responden una pregunta con limpieza se citan una y otra vez. En los nichos ingleses saturados, una plaza de citación se gana en meses de corroboración; en hindi, una sola página bien estructurada puede ocuparla casi sin disputa.

Esta guía es el complemento lingüístico de nuestra guía del mercado indio, que cubre el mercado en sí — cifras de usuarios, prompts a nivel de metrópoli, patrones de sensibilidad al precio. Aquí nos quedamos con la lengua: qué hace el devanagari a los bytes y a los tokens, cómo se comporta el hinglish en la recuperación, y por qué el trabajo de entidad en hindi viaja más allá de las fronteras de la India.

El devanagari tiene un coste mecánico que la mayoría de los equipos no ve nunca. En UTF-8, cada carácter devanagari ocupa tres bytes, así que el mismo contenido pesa aproximadamente tres veces su equivalente en inglés. Los presupuestos de rastreo lo notan, las exportaciones legibles por máquina lo notan — en nuestro propio sitio, la exportación hindi llms-full nos obligó a duplicar el límite de tamaño — y todo lo que trunca por recuento de bytes trunca el hindi primero.

La tokenización agrava el problema. Los tokenizers de los modelos principales se entrenan sobre todo en inglés y en texto en escritura latina, y fragmentan el devanagari en muchos más tokens por frase: la investigación sobre equidad de tokenizers midió diferencias de hasta 15 veces entre lenguas para el mismo texto. En la práctica, cabe menos hindi en una ventana de contexto, los extractos de recuperación se cortan antes y las páginas verbosas pierden sus afirmaciones clave por el truncado.

La contramedida es estructural, no ingeniosa: pasajes cortos y autónomos que enuncian el nombre de marca y la afirmación en la primera frase, formas llanas y repetidas en vez de variación elegante, y títulos que coinciden con cómo se formulan de verdad las preguntas. La escritura respuesta-primero importa en todas las lenguas; en hindi, la economía de tokens la hace innegociable.

Una parte grande de los prompts hindi reales no toca nunca el devanagari. Los usuarios teclean gramática hindi en escritura latina, con vocabulario comercial inglés — nombres de marca, categorías, «best», «price» — mezclado a mitad de frase. Esta alternancia de códigos es lo bastante estructural como para que investigadores de NLP construyeran un benchmark en torno a ella (GLUECoS, con el inglés-hindi como una de sus dos parejas de lenguas), y la recuperación trata la forma en devanagari, la forma en hinglish y la forma en inglés de la misma pregunta como tres formulaciones distintas que llegan a tres fondos de fuentes distintos.

El hinglish añade una complicación que los otros dos modos no tienen: no hay ortografía estándar. La misma palabra se romaniza como «accha», «acha» o «achha»; «kaise» compite con «kese»; «zyada» con «jyada». Eso no se resuelve con un sitio hinglish aparte — el hinglish es un modo de recuperación, no una locale. Se resuelve con pasajes que nombran la marca y la categoría en ambas escrituras, para que el emparejamiento de escrituras mixtas las encuentre, y con una batería de prompts en hinglish medida en su propia curva.

Los modelos tienen que aprender que la grafía en devanagari y la grafía latina de una marca son la misma entidad — si no, las citas se parten entre dos nombres a medias y ninguno acumula autoridad. Eso significa declarar las dos formas a propósito: datos estructurados con nombres alternativos, perfiles que escriben ambas grafías, y páginas en hindi que imprimen el nombre de marca latino junto al devanagari, en vez de dejar el mapeo al azar. Las fuentes hindi mezclan escrituras a mitad de frase por costumbre, y eso juega a su favor — si sus propias páginas fijan primero el emparejamiento canónico.

El trabajo de entidad en hindi también viaja. Los prompts en hindi llegan de la diáspora en los EAU, EE. UU. y el Reino Unido, no solo de la India — nuestra guía de Dubái lleva una vía hindi dedicada precisamente por esto, porque la comunidad india es el mayor grupo de población de los Emiratos. Una fuente hindi que los asistentes pueden citar sirve a un comprador en Lucknow y a un comprador en Dubái desde la misma página; la capa lingüística es una sola inversión, amortizada en todos los mercados donde hablantes de hindi hacen preguntas.

El hindi no es una apuesta a futuro; las superficies están en marcha. Google lanzó los AI Overviews en la India en agosto de 2024 en inglés y en hindi, con un selector de lengua que presentó como una función India-first, y ChatGPT, Perplexity y Gemini responden hoy a prompts en hindi y en hinglish. El corpus es delgado y la mayoría de las marcas no se ha dado cuenta — esa combinación es toda la oportunidad.

El hindi es una de nuestras nueve lenguas nativas, y lo medimos como medimos todas: un conjunto fijo de prompts por lengua definido el primer día, sesiones limpias sin iniciar sesión en ChatGPT, Perplexity y Gemini, y cuota de voz más tasa de citación seguidas frente a esa línea base del primer día. No inventamos resultados de clientes — el método se aplica primero a nuestro propio sitio y se documenta con capturas sin editar en nuestro caso de estudio público, con el hindi explícitamente entre las capacidades verificadas.