Un cachalote no repite el mismo clic dos veces igual: lo que una IA encontró en su 'alfabeto', y lo que todavía no sabe traducir

Un cachalote no se comunica con gruñidos aislados: emite secuencias cortas de clics, llamadas codas, que hasta hace poco se agrupaban en apenas un puñado de tipos reconocibles. Un análisis con inteligencia artificial de 8.719 de esas codas encontró que el repertorio real es mucho más grande de lo que cualquier oído humano había catalogado. Nadie sabe todavía qué significan. Pero por primera vez hay evidencia de que tienen una estructura interna comparable, en complejidad, a un sistema combinatorio.

Por qué importa ahora

El hallazgo no es una promesa de laboratorio: es un estudio revisado por pares, publicado el 7 de mayo de 2024 en Nature Communications, y hace parte de un movimiento más amplio que ganó tracción real en 2026: usar inteligencia artificial no para identificar qué especie emitió un sonido (eso ya lo hacen modelos como Perch y BirdNET), sino para encontrar la estructura interna de cómo esa especie se comunica dentro de sí misma. Es una pregunta distinta y más difícil: no "quién habló", sino "cómo está organizado lo que dijo".

El hallazgo real: más estructura de la que el oído humano había catalogado

El estudio, liderado por Pratyusha Sharma (MIT CSAIL) y colegas de Project CETI, analizó datos recogidos entre 2005 y 2018 por el Proyecto de Cachalotes de Dominica sobre el clan Eastern Caribbean 1 (EC-1), con al menos 60 ballenas distintas registradas. Antes de este trabajo, la clasificación estándar agrupaba las codas en 21 tipos ya definidos. El análisis encontró que, al considerar cuatro rasgos que interactúan entre sí (ritmo, tempo, rubato y ornamentación, los dos últimos descritos por primera vez en este estudio), esas 21 categorías se abren en al menos 143 combinaciones distinguibles que efectivamente se usan en la práctica.

Rubato es una variación sutil de duración sensible al contexto de la conversación (la misma coda se "estira" o se "encoge" según lo que pasó antes), y la ornamentación es un clic adicional, casi decorativo, que se añade al final de la secuencia. Ninguno de los dos se había descrito antes en cachalotes. Es lo que le permite al artículo hablar de un sistema combinatorio: no un vocabulario fijo de sonidos aislados, sino una gramática de piezas que se recombinan.

De una especie a todas: qué es "Animal Language Processing"

El estudio de los cachalotes es el ejemplo más citado, pero no es un esfuerzo aislado. Earth Species Project, una organización sin ánimo de lucro dedicada por completo a este problema, agrupó en abril de 2026 esta línea de trabajo bajo el nombre "Animal Language Processing" (ALP), y la define con tres rasgos: los modelos de aprendizaje automático y generativos son la herramienta principal para encontrar estructura en datos de comunicación ruidosos y casi siempre sin etiquetar, los análisis parten de datos masivos y multimodales (acústicos, de comportamiento, ambientales), y los métodos buscan funcionar a través de especies distintas en vez de concentrarse en un puñado de especies ya muy estudiadas.

Ese último punto es el que distingue a ALP de un clasificador de especies convencional: en vez de entrenar un modelo distinto para cada animal, la apuesta es construir modelos base (foundation models) capaces de adaptarse a la comunicación de cualquier especie con relativamente pocos datos adicionales, la misma lógica de transferencia que ya funciona para texto o imagen en otros campos de la IA. Earth Species Project aseguró 17 millones de dólares en donaciones el 17 de octubre de 2024 (10 millones del empresario Reid Hoffman, cofundador de LinkedIn, y 7 millones de la Fundación Waverley Street) para escalar justo ese objetivo: construir lo que la propia organización describe como "los GPT-4 de la comunicación animal".

Dolph2Vec: aprender el patrón sin que nadie lo etiquete a mano

Un ejemplo concreto de esa apuesta ya tiene resultados publicados. Un equipo que incluye a Chiara Semenzin, quien se unió a Earth Species Project como investigadora postdoctoral en febrero de 2026, adaptó la arquitectura Wav2Vec2.0 para crear Dolph2Vec, un modelo entrenado con más de cinco años de grabaciones longitudinales de cinco delfines identificados en un entorno marino semi natural. La técnica es de aprendizaje autosupervisado: el modelo aprende patrones directamente del audio, sin que un humano etiquete antes cada silbido.

El resultado, aceptado en NeurIPS 2025, superó de forma significativa a modelos genéricos de referencia en dos tareas biológicamente relevantes: clasificar silbidos característicos (la "firma" individual de cada delfín) y detectar silbidos dentro de una grabación continua. Los propios autores describen que las representaciones aprendidas capturan unidades acústicas interpretables, alineadas con categorías reales de silbidos e incluso con posible estructura por debajo del silbido completo.

La hipótesis: lo que esto podría significar fuera de cachalotes y delfines, y lo que no

Ni el estudio de las codas ni Dolph2Vec dicen qué significan esas secuencias: encuentran estructura (patrones que se repiten, se combinan y varían según contexto), no traducción. Ningún investigador de este campo afirma hoy poder decirle a un cachalote "hola" y que el cachalote entienda, y la propia definición de ALP habla de "descubrir estructura", no de "traducir significado". Esa distinción importa porque separa lo que ya es hallazgo real (hay más organización interna de la que se creía) de lo que sigue siendo aspiración de largo plazo (entender qué comunica esa organización).

Lo que sí es una hipótesis razonable, y que ningún estudio ha probado todavía para fauna neotropical, es que el mismo enfoque (modelos autosupervisados, específicos por especie o entrenables con pocos datos adicionales, sobre archivos bioacústicos ya existentes) podría aplicarse a especies de primates, aves o cetáceos de Suramérica, Centroamérica o el Caribe que hoy carecen de un modelo de comunicación propio, sin necesitar los años de anotación manual que ese trabajo normalmente exigiría. Es una posibilidad técnica coherente con lo que ya funcionó en Dominica y en el entorno controlado de Dolph2Vec, no un proyecto en marcha ni un caso ya documentado en la región.

Qué significa esto para quien sigue la ciencia de la conservación

Para cualquiera que siga de cerca el monitoreo de biodiversidad, la lección operativa no es "ya podemos hablar con los animales", sino que la barrera técnica para encontrar estructura en datos de comportamiento y sonido sigue bajando, y lo hace con modelos cada vez más generales, no entrenados desde cero para cada especie. Eso amplía qué archivos bioacústicos existentes (colecciones de sonidos ambientales, grabaciones de proyectos de monitoreo comunitario, datasets universitarios) podrían aportar información nueva sin una sola grabación adicional, si alguien aplica sobre ellos este tipo de análisis. La pregunta que vale la pena vigilar en los próximos años no es si la IA "entenderá" a los animales, sino cuántas especies más revelan una estructura combinatoria que nadie había buscado, simplemente porque ahora existe una herramienta capaz de encontrarla.

El cachalote sigue sin decirle a nadie qué quiso decir. Lo que cambió es que, por primera vez, hay una forma de demostrar que dijo algo más complejo de lo que parecía.