¿Cómo funciona el GEO en hindi?

El hindi es la tercera lengua más hablada del mundo, con más de 600 millones de hablantes según Ethnologue, y el idioma de contenido de menos del 0,1 % de los sitios web. Ningún otro idioma con el que trabajamos tiene una proporción tan desigual entre hablantes y contenido: el 0,4 % de la web en hebreo atiende a unos nueve millones de hablantes; la pequeña porción del hindi, a seiscientos millones. Cuando un asistente redacta una respuesta en hindi, recupera la información de uno de los corpus comerciales más escasos de la web.

Esa escasez cambia quién recibe las citas. Los asistentes se apoyan en las pocas fuentes estructuradas en hindi que existen o recurren a páginas en inglés y las traducen sobre la marcha. Por eso, las escasas fuentes originales en hindi que responden bien a una pregunta se citan una y otra vez. En nichos saturados en inglés, conseguir una cita lleva meses de corroboración; en hindi, una página bien estructurada puede quedarse con ella casi sin competencia.

Esta guía complementa, desde el idioma, nuestra guía del mercado indio, que trata el mercado en sí: número de usuarios, prompts por gran ciudad y sensibilidad al precio. Aquí nos quedamos con la lengua: qué efecto tiene el devanagari en los bytes y los tokens, cómo se comporta el hinglish en la recuperación y por qué el trabajo de entidad en hindi llega más allá de las fronteras de la India.

El devanagari tiene un costo técnico que la mayoría de los equipos no ve. En UTF-8, cada carácter devanagari ocupa tres bytes, frente a uno en el alfabeto latino. Los textos en hindi son más cortos y conservan nombres y cifras en caracteres latinos, así que en la práctica las mismas guías pesan aproximadamente el doble que en inglés (1,7 MB frente a 0,84 MB en nuestro sitio, octubre de 2026). Lo notan el presupuesto de rastreo y las exportaciones legibles por máquina: en nuestro sitio, la exportación llms-full en hindi fue la primera en superar el límite de tamaño, que desde entonces pasó de 100 KB a 2 MB. Y todo lo que recorta por número de bytes recorta antes el hindi.

La tokenización agrava el problema. Los tokenizadores de los grandes modelos se entrenan sobre todo con texto en inglés y en alfabeto latino, y dividen el devanagari en muchos más tokens por frase: un estudio sobre la equidad de los tokenizadores midió diferencias de hasta 15 veces entre idiomas para un mismo texto. En la práctica, cabe menos hindi en la ventana de contexto, los fragmentos recuperados se cortan antes y las páginas extensas pierden sus afirmaciones principales en el recorte.

Escriba pasajes breves que se entiendan sin contexto, con el nombre de la marca y el dato principal al comienzo. Use una redacción coherente y títulos que reflejen las preguntas de los lectores. Las respuestas directas importan en cualquier idioma; en hindi, por el consumo de tokens, una estructura concisa resulta especialmente útil.

Buena parte de los prompts reales en hindi nunca usa el devanagari. Los usuarios escriben con gramática hindi en alfabeto latino e intercalan vocabulario comercial en inglés —nombres de marca, categorías, «best», «price»— a mitad de frase. Esta alternancia de idiomas está tan arraigada que los investigadores del procesamiento del lenguaje natural crearon un banco de pruebas para estudiarla (GLUECoS, donde inglés-hindi es uno de sus dos pares de idiomas). En la recuperación, la forma en devanagari, la forma en hinglish y la forma en inglés de una misma pregunta son tres formulaciones que llegan a tres conjuntos de fuentes distintos.

El hinglish no tiene una ortografía fija: la misma palabra puede aparecer como «accha», «acha» o «achha», y también varían «kaise» y «kese», o «zyada» y «jyada». No recomendamos crear un sitio aparte en hinglish. Incluya la marca y la categoría en ambas escrituras donde sea útil dentro de las páginas en hindi y pruebe por separado las preguntas en hinglish para ver si los asistentes encuentran esas páginas.

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 reparten entre dos nombres poco conocidos y ninguno acumula autoridad. Por eso hay que declarar ambas formas a propósito: datos estructurados con nombres alternativos, perfiles que recojan las dos grafías y páginas en hindi que muestren el nombre latino junto al devanagari, en lugar de dejar la correspondencia al azar. Las fuentes en hindi suelen mezclar escrituras a mitad de frase, y eso le favorece si sus propias páginas fijan antes la pareja canónica.

El trabajo en hindi también llega a lectores fuera de la India. En los Emiratos Árabes Unidos, Estados Unidos y el Reino Unido hay quienes preguntan a los asistentes en hindi. Nuestra guía de Dubái incluye el hindi porque la comunidad india es el grupo de población más numeroso de los Emiratos. Una página útil en hindi puede atender a clientes tanto en Lucknow como en Dubái y extender el valor del contenido a varios mercados.

El hindi no es una apuesta de futuro: los servicios ya funcionan. Google lanzó los AI Overviews en la India en agosto de 2024, en inglés y en hindi, con un selector de idioma que presentó como una función estrenada en la India. ChatGPT, Perplexity y Gemini ya responden a prompts en hindi y en hinglish. El corpus es escaso y la mayoría de las marcas no lo ha notado: en esa combinación está toda la oportunidad.

El hindi es uno de nuestros nueve idiomas, todos escritos por hablantes nativos, y lo medimos igual que los demás: un conjunto de prompts fijo por idioma, definido el primer día; sesiones limpias de ChatGPT, Perplexity y Gemini, y cuota de voz y tasa de citas frente a la línea base de ese primer día. Aplicamos el método primero a nuestro propio sitio y lo documentamos con capturas sin editar en nuestro caso público, donde el hindi figura de forma explícita entre las capacidades verificadas.