Durante más de un siglo, dos sistemas de escritura antiguos han resistido a todas las herramientas que los lingüistas han podido utilizar. El lineal A, la escritura de la civilización minoica de la Edad del Bronce en la isla griega de Creta, sigue sin estar descifrado por completo. El etrusco, hablado en Italia antes del auge de Roma, solo se entiende de manera parcial. Ahora, ambos han atraído la atención seria de la inteligencia artificial. Los resultados hasta el momento revelan algo importante: no sobre lo que la IA puede hacer, sino sobre el límite preciso entre el reconocimiento de patrones y el significado.
La hipótesis va primero; la máquina, después
Un caso reciente ilustra esta dinámica con claridad. En junio de 2026, un ingeniero de IA autodidacta y lingüista aficionado propuso un posible avance sobre el lineal A. El punto de partida fue una única suposición humana: que una palabra desconocida en una inscripción de una oración podría derivar de una raíz semítica que significa “habitar” o “morar”. A partir de esa hipótesis, se utilizaron scripts de programación creados con IA para probar el patrón de sonido propuesto en un corpus recopilado de caracteres en lineal A. El resultado fue la asignación de valores a 40 signos y un léxico recopilado de 408 palabras, lo que sugiere, según la interpretación del investigador, que el lineal A pertenece a la familia de lenguas semíticas, que incluye el hebreo y el arameo.
Esto es lo que la mayoría de la cobertura sobre IA y lenguas antiguas entiende mal. La IA no generó la idea. Probó una. La distinción importa enormemente. Lo que aportó la tecnología fue velocidad: contrastar una hipótesis humana con miles de caracteres en una fracción del tiempo que requeriría una revisión manual. Esa división del trabajo, la intuición humana dirigiendo la verificación de la máquina, es el patrón que vale la pena entender aquí, y no la afirmación específica, que sigue bajo revisión.
Dónde está el límite y por qué es real
La IA aporta puntos fuertes genuinos a este tipo de problemas. La prueba de patrones a gran escala es uno de ellos. Un modelo puede escanear un archivo entero en busca de secuencias repetidas que un ojo humano pasaría por alto, y puede restaurar inscripciones dañadas o fragmentarias prediciendo los caracteres faltantes probables. También existe una técnica llamada transferencia entre lenguas, en la que un modelo entrenado en una lengua conocida a veces puede inferir patrones estructurales en otra desconocida pero estrechamente relacionada. La analogía es intuitiva: saber español hace que el portugués sea parcialmente legible. Los investigadores han aplicado este enfoque con éxito al ugarítico, una lengua semítica extinta hablada durante la última Edad del Bronce (aproximadamente entre el 1300 y el 1190 a. C.) en la antigua ciudad costera de Ugarit, en lo que hoy es Siria. Como la familia lingüística del ugarítico ya se conocía, el anclaje existía.
El lineal A y el etrusco son más difíciles precisamente porque ese anclaje falta o está incompleto. La coincidencia de patrones estadísticos no puede fabricar significado a partir de la nada. Necesita un punto de referencia, una familia de lenguas conocida o un texto bilingüe, para distinguir los patrones significativos de la coincidencia. Todo el corpus superviviente del lineal A consta de aproximadamente 7.500 caracteres, lo suficientemente corto como para caber en una sola pantalla. Con tan pocos datos, casi cualquier hipótesis puede encontrar coincidencias dispersas que la respalden. Esto no es una limitación de los actuales modelos de IA. Es un problema estructural que ningún aumento en la potencia informática resuelve.
Teóricamente, un modelo podría volverse lo suficientemente fluido en lineal A como para reconocer patrones repetitivos y unidades estructurales, llegando incluso a aproximar una forma limitada de interacción según sus propios términos estadísticos. Pero la fluidez y el significado no son lo mismo. El modelo puede aprender qué signos siguen a cuáles y qué palabras se agrupan, sin saber nunca a qué se refiere realmente ninguno de ellos. Entregarle una traducción a un humano requiere algo a lo que el modelo no tiene acceso.
Por qué esto nos dice algo más amplio sobre el papel de la IA
El problema del desciframiento es una lente útil para pensar sobre la posición real de la IA en el trabajo de conocimiento. La tecnología acelera. Comprime años de referencias cruzadas manuales en minutos. Permite que más personas intenten resolver problemas que los recursos institucionales antes mantenían fuera de su alcance. Estas son contribuciones reales.
Pero la aceleración no es lo mismo que la resolución. Los dos ingredientes que el desciframiento siempre ha requerido siguen sin cambiar: un anclaje comparativo genuino y una revisión humana rigurosa capaz de distinguir un avance real de una coincidencia atractiva. La IA no proporciona ninguno de los dos. Opera entre ambos, haciendo el trabajo de volumen que los humanos no pueden hacer a escala, mientras que los humanos conservan el juicio sobre lo que realmente significan los patrones.
Verificar cualquier afirmación asistida por IA sobre una lengua no descifrada también es estructuralmente difícil de una manera que no tiene una solución fácil. Normalmente, una traducción propuesta se comprobaría con hablantes nativos, otros textos o el consenso de expertos construido durante décadas. Nada de eso existe para el lineal A o el etrusco. La única comprobación disponible es el escrutinio independiente de expertos y la revisión por pares. Es por eso que “la IA encontró un patrón” y “la IA encontró el significado correcto” son afirmaciones muy diferentes, y por qué la brecha entre ellas es fácil de difuminar en coberturas que se centran en el anuncio en lugar de en la epistemología.
En resumen
La IA es un acelerador genuino para el estudio de lenguas no descifradas. Puede probar hipótesis a escala, detectar patrones en grandes corpus y hacer que estos problemas sean accesibles para más investigadores. Lo que no puede hacer es proporcionar el anclaje que el desciframiento requiere: un pariente lingüístico conocido, un texto bilingüe o un marco comparativo verificado. El lineal A y el etrusco siguen sin resolverse no porque las herramientas hayan sido insuficientes, sino porque el punto de referencia fundamental aún no existe. Hasta que lo haga, el papel de la IA en este campo es el de un asistente de investigación muy rápido que trabaja en un problema que todavía necesita que un humano plantee la pregunta correcta.
Basado en información de Ars Technica.