La manera de pensar de Manuel Herranz se formó entre fábricas, lenguas, países y sistemas que debían funcionar en el mundo real.Manuel Herranz es fundador y CEO de Pangeanic, investigador aplicado en tecnologías del lenguaje y autor de ensayos sobre inteligencia artificial, datos multilingües, soberanía tecnológica y el futuro de los sistemas de conocimiento.Su trayectoria profesional suele asociarse a la historia de la traducción automática en Europa, el procesamiento del lenguaje natural y la inteligencia artificial. Sin embargo, sus ideas sobre tecnología comenzaron a tomar forma mucho antes, desde sus primeras experiencias con maquinaria industrial, sistemas de control, proyectos energéticos, documentación técnica, estudios lingüísticos y una vida profesional desarrollada entre Europa, Asia y América Latina.
Antes de trabajar con redes neuronales, corpus multilingües o modelos de lenguaje, trabajó con sistemas físicos donde los errores tenían consecuencias inmediatas. Y mucho antes de dirigir una empresa tecnológica, vivió once años en Manchester, se formó en ingeniería y lenguas, participó en proyectos industriales internacionales y aprendió que la precisión técnica y la comunicación humana rara vez pueden separarse.
Esta página recoge esa trayectoria más amplia. No pretende reproducir la biografía corporativa publicada por Pangeanic, sino explicar cómo se construyó una visión de la tecnología basada en la utilidad, la calidad, la diversidad lingüística, la responsabilidad humana y el control sobre los datos y los sistemas.
Cómo se formó una manera de pensar
Las ideas profesionales no aparecen de forma repentina. Se forman por acumulación: trabajos, errores, países, lecturas, personas y situaciones que obligan a revisar lo que uno creía saber.
En el caso de Manuel Herranz, esa formación se produjo en la intersección de dos mundos que a menudo se presentan como opuestos. Por una parte, la ingeniería, con su disciplina de procesos, tolerancias, controles y resultados verificables. Por otra, el lenguaje, donde el significado depende del contexto, la cultura, la intención y la experiencia de quienes se comunican.
La ingeniería le enseñó que un sistema debe funcionar cuando aparecen presión, desgaste, excepciones y condiciones imprevistas. Las lenguas le mostraron que una expresión técnicamente correcta puede ser culturalmente torpe, institucionalmente inadecuada o simplemente falsa en su intención.
De esa combinación surgió una actitud que más tarde trasladaría a la traducción automática y a la inteligencia artificial: la tecnología debe evaluarse por su comportamiento en producción, no por la elegancia de una demostración. Un sistema fiable necesita datos adecuados, procesos comprensibles, criterios de calidad, capacidad de mantenimiento y personas capaces de intervenir cuando la automatización deja de ser suficiente.
Esta visión también se formó geográficamente. Manchester aportó su bagaje industrial e intelectual (su museo egipcio, su biblioteca, las biografías de personas como Engels, Alan Turing, solistas e incipientes grupos de música como Oasis que pronto alcanzarían fama mundial), la universidad, la cultura británica y una primera vida familiar.
Tierra del Fuego y Huelva mostraron la realidad física de las infraestructuras energéticas. Japón enseñó la atención al detalle y la continuidad en las relaciones profesionales. China mostró la escala y la velocidad de la transformación si la dirección está claramente definida. Más tarde, en 2012, Gouria, en Camerún, dio a la tecnología otra medida: la del acceso a la educación y la tecnología, al conocimiento y al mundo exterior.
Pangeanic acabaría reuniendo muchas de esas experiencias en una empresa. Sin embargo, la empresa fue una consecuencia de una trayectoria, no su punto de partida.
Manchester, 1989-2000: ingeniería, lenguas y vida británica
Manuel Herranz vivió en Manchester y su entorno entre 1989 y 2000. Aquellos once años abarcaron formación técnica, estudios universitarios, trabajo industrial, medios de comunicación y el comienzo de una vida familiar.
Su primera formación superior fue técnica. Cursó un Higher National Certificate, HNC, en Oldham College, una cualificación británica de orientación profesional vinculada a la ingeniería y a su aplicación práctica.
Posteriormente se licenció en Estudios Hispánicos y Estudios Ingleses y completó un Diploma en Traducción en la Universidad de Salford. Mientras tanto, ya trabajaba como traductor autónomo. Esta combinación académica consolidó una trayectoria poco habitual: comenzó aprendiendo a interpretar sistemas técnicos y terminó estudiando cómo las personas construyen, trasladan y negocian significado entre lenguas.
Esto resulta importante para comprender su trabajo posterior. Manuel no abandonó la ingeniería para dedicarse a los idiomas. Ambas disciplinas permanecieron activas y comenzaron a influirse mutuamente. La traducción dejó de parecerle únicamente una actividad lingüística y empezó a presentarse como un problema de procesos, de datos, de control de calidad, de transmisión precisa de conocimiento.
Durante aquellos años trabajó también en entornos vinculados a ingeniería industrial, formación técnica, control de calidad y documentación. La región de Manchester mantenía todavía una fuerte cultura fabril, aunque muchas de sus industrias tradicionales hacía tiempo que habían entrado en un periodo de transformación, automatización o declive.
Pero ahí estaban los viejos museos de la Revolución Industrial, el primer ordenador del mundo (Mark II) que había creado Alan Turing, los estudios de traducción automática en UMIST (ahora parte de la Universidad), y ese contexto permitió observar cómo las tecnologías transforman las empresas antes de que el cambio sea visible para el resto de la sociedad. Las máquinas alteraban procesos, perfiles profesionales, costes y relaciones de poder. Décadas después, Manuel reconocería patrones similares en la automatización del lenguaje y en la inteligencia artificial.
Lenguaje, voz y comunicación
Su relación con el lenguaje no se limitó a la universidad o a la traducción escrita. Como freelance, también desarrolló trabajos profesionales de voz y comunicación para medios británicos como la BBC, Granada Television y diversos estudios de doblaje.
La experiencia añadió una dimensión oral a su formación. La voz revela elementos que la escritura puede ocultar: intención, autoridad, duda, ironía, procedencia y relación social. Esta sensibilidad hacia la forma en que las personas hablan, y no solamente hacia las palabras que utilizan, reaparecería más tarde en su interés por la traducción, la voz, los datos lingüísticos y los sistemas multilingües.
Una etapa familiar
Mánchester fue también el lugar donde comenzó su vida familiar. Allí nacieron sus dos primeras hijas.
Cuando regresó a Valencia en el año 2000, Manuel ya estaba asociado a la B.I Corporation of Japan y comenzó una nueva etapa también personal. En España nacieron posteriormente dos hijos más. Manuel es padre de cuatro hijos, y la experiencia de construir una familia bilingüe entre dos países acompañó una carrera profesional marcada por los viajes, los proyectos internacionales y el contacto continuado con distintas culturas.
Más adelante, entre 2013-2014, amplió su formación con estudios ejecutivos en MIT Sloan School of Management. Se trató de formación ejecutiva, no de un MBA ni de un programa de grado.
Ingeniería industrial y proyectos energéticos
Antes de que el lenguaje y la inteligencia artificial ocupasen el centro de su carrera, Manuel Herranz trabajó en entornos industriales donde la tecnología (entonces casi equivalía a “software” y “procesos”) debía responder bajo presión, con costes reales y consecuencias inmediatas.
Su experiencia profesional incluyó trabajos relacionados con ingeniería mecánico-industrial, control de calidad, formación técnica, maquinaria industrial y documentación especializada. En aquellos años aprendió a observar los sistemas desde dentro: cómo se diseñan, cómo se mantienen, cómo fallan y cómo se corrigen.
Una parte especialmente significativa de esta etapa estuvo vinculada a Rolls Royce Industrial and Marine, con la que participó en proyectos de cogeneración de electricidad en Huelva y en Tierra del Fuego, Argentina. Al fin y al cabo… el señor Rolls y el señor Royce se conocieron en Mánchester…
Huelva: energía, industria y continuidad operativa
En Huelva trabajó en proyectos de instalación de motores de avión RB211 en la planta de CEPSA (ahora Moeve) para cogeneración eléctrica, un entorno industrial exigente. La cogeneración combina la producción de electricidad y calor útil a partir de una misma fuente energética que hace que gire la turbina del motor de avión. Ello exige coordinación entre equipos, sistemas de control, mantenimiento, seguridad y cumplir con el objetivo final que es llevar electricidad estable al conjunto de la población.
Para este tipo de clientes e instalaciones no se admite una compresión superficial de la tecnología. Cada componente debe responder dentro de una cadena más amplia, y el rendimiento depende tanto de la maquinaria como de la disciplina de operación que la rodea. Y los operarios deben entenderla perfectamente, y en su idioma.
Esta experiencia reforzó una idea que aparecería años después en su trabajo al construir sistemas de inteligencia artificial: la calidad de una tecnología no depende solamente de la potencia de su componente principal; depende de la toda la arquitectura, de los datos que se utilizan para el entrenamiento y de su pureza, de los controles, del mantenimiento y de la capacidad de reaccionar cuando “algo” se desvía de lo previsto.
Tierra del Fuego: ingeniería en condiciones extremas
El trabajo en Tierra del Fuego (Argentina) añadió una dimensión distinta. Ushuaia es conocida por ser el último puerto de atraque de camino a la Antártida. Excepto el continente helado, no hay nada más remoto. Es la última población antes de la nada. Allí participó también en un proyectode cogeneración eléctrica con el motor RB211. Si la gente era amable, amistosa y familiar, el entorno era severo y logísticamente complejo. En sus dos visitas, Manuel vivió la sensación de la rica Argentina dolarizads con el 1-1 frente al dólar en su primera visita y la ruina económica con el 3-1… y peor.
Trabajar en aquel extremo del planeta obliga a considerar cuestiones que en otros lugares pueden darse por sentadas: disponibilidad de piezas, acceso a especialistas, transporte, clima, estabilidad y continuidad del suministro energético y capacidad de respuesta ante fallos. Algo que se repetiría años después en Camerún.
La experiencia en Tierra del Fuego consolidó un sentido de robustez y previsión que pasó a formar parte de su marco mental. Un sistema remoto o que trabaje aisladamente no puede depender de soluciones improvisadas ni de una cadena de soporte que tarde días en llegar. Debe diseñarse para resistir, diagnosticarse con claridad y seguir funcionando cuando las condiciones dejan de ser favorables.
Décadas más tarde, Manuel trasladaría esta lógica a los sistemas de inteligencia artificial. Un modelo puede parecer brillante en una presentación, pero su verdadero valor aparece cuando debe trabajar con datos incompletos, con usuarios reales y con restricciones legales, en varios idiomas y en procesos que no pueden detenerse.
La ingeniería es escuela de pensamiento
La etapa industrial dejó una huella metodológica profunda. Manuel aprendió a desconfiar de las soluciones que funcionan únicamente bajo condiciones ideales y a valorar los sistemas que explican su comportamiento, toleran excepciones y pueden mantenerse en el tiempo.
La ingeniería también le enseñó que la automatización no elimina la responsabilidad humana o la necesidad de personas. Las RB211 producían 27MW de electricidad sin intervención humana, pero con un alto grado de monitorización. Las capacidades humanas se desplazan hacia el diseño, la supervisión, la prevención y la capacidad de intervenir cuando el sistema deja de comportarse como debería.
Esta idea acabaría convirtiéndose en una de las bases de su visión sobre la inteligencia artificial: automatizar más no significa gobernar menos. Cuanto mayor es la capacidad de una máquina, más importante resulta definir quién controla (sus datos), cómo se evalúa su rendimiento y dónde debe detenerse.
1997: China y Japón – tecnología, cultura y relaciones a largo plazo
La relación profesional de Manuel Herranz con Asia comenzó en 1997 a través de su trabajo con B.I Corporation y continuó posteriormente con Pangeanic.
Desde entonces ha viajado a China y Japón prácticamente todos los años, en muchos casos durante estancias prolongadas. Estas visitas no fueron viajes ocasionales de representación comercial, sino una parte continuada de su vida profesional.
Durante esas etapas trabajó con clientes, socios, equipos técnicos y profesionales del lenguaje en ambos países. La frecuencia y duración de las estancias le permitieron observar de cerca dos culturas empresariales muy diferentes y, al mismo tiempo, profundamente influyentes en la tecnología mundial.
Japón: precisión, continuidad, confianza
Japón tuvo una influencia especial en la cultura inicial de B.I Europa y, más tarde, de Pangeanic. El trabajo con B.I Corporation introdujo una atención rigurosa a la documentación, la calidad, la terminología y la continuidad de las relaciones profesionales.
La cultura empresarial japonesa mostró el valor de los procesos sostenidos, la mejora gradual y el compromiso a largo plazo. La confianza no se construye mediante una promesa brillante, sino mediante una sucesión de entregas consistentes.
Esta forma de trabajar resultó especialmente relevante en traducción y documentación técnica, donde un error pequeño puede alterar una instrucción, una especificación o una relación comercial.
China: escala, velocidad, transformación
China ofreció otra perspectiva. Son países cercanos pero culturalmente muy distantes. La velocidad de transformación, la escala de los mercados, un civismo y sentido de comunidad tan distintos como el día y la noche… la capacidad china de ejecutar proyectos complejos mostraban una relación distinta con la tecnología y el crecimiento.
Aquellas visitas regulares a la oficina de Shanghai y Dalian permitieron a Manuel observar cómo una economía puede cambiar en pocas décadas su infraestructura, su posición internacional y su capacidad tecnológica. De sentirse observado por exótico, de no poder cruzar la calle, fuese cual fuese el color del semáforo, por la cantidad de bicicletas a una superpoblación de coches de lujo en PuDong en dos años…
La innovación no avanza de manera uniforme, que existe un aspecto cultural, y que cada sociedad desarrolla sus prioridades, ritmos y modelos propios influenciada por su historia.
El contraste entre China y Japón se convirtió en una fuente de aprendizaje. Japón aportaba continuidad, precisión y método, un “haber sido”. China mostraba ambición a escala, velocidad, adaptación. Ambas experiencias ampliaron su visión sobre la tecnología mucho antes de que la inteligencia artificial se convirtiera en una cuestión geopolítica central.
Y también que habría resistencia a los cambios.
Lenguaje, contexto, cultura empresarial
El contacto prolongado con un gigante que se despertaba después de dos siglos de humillaciones a manos de potencias extranjeras y un país que había hecho de su unicidad un icono futurista, reforzó también una convicción lingüística: traducir palabras y frases era solo una parte del problema.
La comunicación dependía de jerarquías, silencios, expectativas, formas de cortesía, ritmos de decisión y convenciones que rara vez aparecen en un diccionario. Una frase correcta puede fracasar si ignora el contexto cultural en el que será recibida.
Esta experiencia explica la importancia que Manuel concedería a la adaptación profunda, la terminología, el conocimiento del dominio y la evaluación humana. Un sistema multilingüe debe comprender más que equivalencias léxicas. Debe preservar intención, función y contexto.
La relación continuada con Asia contribuyó así a formar una visión global de las tecnologías del lenguaje: las máquinas pueden conectar idiomas, pero la verdadera comunicación exige entender también los sistemas culturales que los sostienen.
Regreso a Valencia y nacimiento de una nueva etapa
En el año 2000, Manuel regresó a Valencia con su familia después de once años en el Reino Unido. El regreso reunió varias líneas que hasta entonces habían avanzado en paralelo: ingeniería, traducción, documentación técnica, relación con Japón y experiencia empresarial internacional.
Ese mismo periodo marcó el desarrollo europeo de B.I Corporation bajo la denominación B.I Europa. Manuel asumió responsabilidades técnicas y de dirección, trabajando como puente entre la organización japonesa, transferencia de tecnología, clientes europeos y una industria lingüística que empezaba a transformarse con rapidez. Se consolidaban las memorias de traducción como tecnología “para ahorrar dinero”.
La traducción seguía dependiendo en gran medida de procesos manuales, memorias de traducción y herramientas fragmentadas. Sin embargo, ya comenzaba a hacerse visible una nueva posibilidad: utilizar grandes volúmenes de texto bilingüe para automatizar parte del proceso y construir sistemas capaces de aprender de traducciones anteriores.
En 2005, una adquisición amistosa y una reorganización de la compañía dieron lugar a Pangeanic.
El nuevo nombre representaba algo más que un cambio corporativo. Señalaba la intención de construir una empresa capaz de combinar servicios lingüísticos, automatización, investigación y tecnología propia.
La etapa industrial había enseñado a Manuel cómo funcionan los sistemas físicos. Manchester le había dado una formación entre ingeniería y lenguaje. Japón y China habían ampliado su perspectiva cultural y empresarial. Pangeanic se convirtió en el lugar donde todas esas experiencias comenzaron a integrarse.
De la traducción como servicio a la automatización del lenguaje
En sus primeros años, Pangeanic trabajaba todavía dentro de una industria dominada por memorias de traducción, herramientas de gestión de proyectos, revisiones humanas y procesos de producción relativamente fragmentados. La automatización existía, pero ocupaba una posición periférica y con frecuencia despertaba resistencia entre profesionales y empresas.
Manuel Herranz veía la cuestión de otra manera. Su experiencia industrial le había enseñado que los procesos repetitivos tienden a automatizarse cuando existen datos, estándares y una presión económica suficiente. La traducción no iba a quedar fuera de esa lógica.
La pregunta importante no era si las máquinas llegarían a traducir mejor, sino quién tendría los datos, los modelos y la capacidad de adaptar aquellos sistemas a necesidades concretas.
Esta convicción llevó a Pangeanic a invertir pronto en traducción automática propia, adaptación de dominio y explotación de corpus bilingües. La compañía comenzó a tratar las memorias de traducción no solamente como archivos de producción, sino como activos capaces de entrenar, ajustar y evaluar sistemas.
Aquella transición exigía combinar conocimientos que rara vez convivían en una misma empresa: lingüística, ingeniería de software, gestión de corpus, terminología, estadística, evaluación y operación comercial.
PangeaMT y la etapa de la traducción automática estadística
A finales de la primera década de los años 2000, Pangeanic comenzó a desarrollar una infraestructura propia de traducción automática bajo el nombre de PangeaMT.
La plataforma se apoyaba en sistemas estadísticos capaces de aprender patrones a partir de grandes volúmenes de texto paralelo. En lugar de depender únicamente de reglas escritas a mano, el sistema analizaba traducciones anteriores y calculaba qué correspondencias eran más probables en cada contexto.
Pangeanic trabajó con Moses, uno de los principales sistemas de traducción automática estadística de código abierto de aquella época, y colaboró con grupos de investigación de la Universitat Politècnica de València para adaptar la tecnología a entornos comerciales.
La dificultad no residía solamente en entrenar un motor. Había que recopilar datos, limpiarlos, eliminar duplicados, alinear segmentos, identificar idiomas, separar dominios, incorporar terminología y evaluar si el resultado podía utilizarse en producción.
La traducción automática empezó así a mostrar una característica que más tarde reaparecería en la inteligencia artificial generativa: el modelo visible era solo la parte superior del sistema. Debajo había una operación de datos considerable.
La experiencia con PangeaMT permitió a la compañía desplegar motores adaptados para distintos clientes, sectores y combinaciones lingüísticas. También introdujo nuevas formas de trabajar, como la posedición, la selección automática de motores y la mejora progresiva a partir de correcciones humanas.
La automatización dejó de ser una herramienta externa y pasó a convertirse en parte de la arquitectura productiva de Pangeanic.
Puede consultarse la evolución de esta tecnología en la página de PangeaMT.
Los datos multilingües como activo industrial
La construcción de motores de traducción obligó a Pangeanic a desarrollar una disciplina propia alrededor de los datos lingüísticos.
La compañía recopiló, alineó, limpió y clasificó grandes volúmenes de traducciones procedentes de memorias, documentos públicos, proyectos institucionales y encargos comerciales. Con el tiempo, este trabajo produjo miles de millones de alineaciones bilingües y una experiencia práctica difícil de adquirir únicamente desde la investigación académica.
Cada corpus contenía decisiones humanas acumuladas: cómo se había traducido un término, qué formulación se consideraba aceptable, qué variaciones aparecían entre países y qué convenciones utilizaba un sector.
Los datos paralelos no eran solamente combustible para un motor. Eran una forma comprimida de conocimiento lingüístico y profesional.
Esta idea acabaría convirtiéndose en uno de los pilares de la actividad posterior de Pangeanic. La empresa amplió su trabajo desde corpus paralelos hacia datos monolingües, voz, transcripciones, terminología, anotación, evaluación, preferencias humanas y conjuntos especializados para entrenamiento de inteligencia artificial.
La actual actividad de Data for AI y datasets para inteligencia artificial procede en buena medida de esa etapa anterior. Antes de que el mercado hablara de modelos fundacionales, Pangeanic ya trabajaba con la materia que los hace posibles: datos multilingües estructurados, validados y reutilizables.
El paso de la estadística a las redes neuronales
La llegada de la traducción automática neuronal transformó de nuevo el sector. Los nuevos sistemas aprendían representaciones más complejas del lenguaje y producían textos considerablemente más fluidos que los motores estadísticos.
Pangeanic inició su transición hacia redes neuronales alrededor de 2017. La empresa reutilizó la experiencia adquirida con corpus, adaptación de dominio y evaluación para entrenar motores neuronales especializados y desarrollar nuevas formas de aprendizaje incremental.
La fluidez mejoró, pero surgieron otros problemas. Un sistema neuronal podía producir una frase elegante y, al mismo tiempo, omitir un término, alterar una cifra o suavizar una obligación. La calidad ya no podía medirse solamente por la corrección superficial del texto.
Esta etapa llevó a Manuel a prestar una atención creciente a la evaluación automática, la estimación de confianza y el control de las salidas. La pregunta dejó de ser únicamente si una máquina podía traducir. Había que saber cuándo su traducción era suficientemente fiable, cuándo necesitaba revisión y qué tipo de error podía cometer.
De esta línea de trabajo surgieron desarrollos posteriores en traducción adaptativa, estimación automática de calidad y enrutamiento inteligente de contenido.
Deep Adaptive AI Translation
La evolución de PangeaMT desembocó en Deep Adaptive AI Translation, un sistema diseñado para adaptar la traducción automática a los datos, la terminología, el tono y las preferencias de cada organización.
La idea central era superar el modelo de traducción genérica. Una empresa podía proporcionar sus memorias de traducción, glosarios y corpus una sola vez para crear un entorno que aprendiera su manera de comunicar.
La adaptación no terminaba en la generación del texto. El sistema debía verificar si se había aplicado la terminología, estimar la calidad de cada segmento, aceptar salidas de modelos externos y decidir qué contenido podía seguir automáticamente y qué contenido debía enviarse a revisión humana.
La traducción se convirtió así en una arquitectura compuesta: modelos, terminología, datos propios, evaluación, reglas de negocio y supervisión humana.
Esta evolución anticipó una idea que hoy se extiende a toda la inteligencia artificial empresarial. Las organizaciones no necesitan un único modelo que haga de todo. Necesitan sistemas capaces de combinar modelos especializados, datos internos, controles de calidad y personas dentro de un mismo flujo operativo.
Puede consultarse esta evolución en la página de Deep Adaptive AI Translation.
Evaluar antes de confiar
La automatización a gran escala hizo visible otro problema: revisar manualmente todas las salidas anulaba buena parte del ahorro que ofrecía la traducción automática.
Pangeanic comenzó a desarrollar sistemas de Machine Translation Quality Estimation, o MTQE, capaces de estimar la calidad de una traducción sin disponer necesariamente de una referencia humana.
El objetivo práctico consistía en clasificar el contenido según su nivel de riesgo. Los segmentos de alta confianza podían continuar automáticamente. Los de confianza intermedia podían revisarse de forma selectiva. Los casos más problemáticos debían dirigirse a lingüistas o expertos de dominio.
Esta lógica transformó la revisión humana. En lugar de comprobarlo todo, las personas podían concentrarse allí donde su criterio aportaba mayor valor.
La estimación de calidad también permitía comparar motores, detectar regresiones, filtrar datos de entrenamiento y establecer umbrales operativos para distintos clientes o tipos documentales.
La experiencia reforzó una convicción central en el pensamiento de Manuel: una organización no controla un sistema de inteligencia artificial si no puede medir su comportamiento.
Más información en Machine Translation Quality Estimation.
De la traducción automática a las operaciones de datos para IA
La aparición de los grandes modelos de lenguaje amplió enormemente el campo de aplicación de las tecnologías lingüísticas. Los sistemas ya no se limitaban a traducir. Podían resumir, clasificar, extraer información, responder preguntas, generar documentos y participar en procesos completos.
Para Pangeanic, esta transición no supuso comenzar desde cero. Muchas de las dificultades eran conocidas: calidad de datos, adaptación de dominio, terminología, privacidad, evaluación, sesgos, multilingüismo y supervisión humana.
La compañía comenzó a integrar estas capacidades dentro de una disciplina más amplia de AI Data Operations.
Las operaciones de datos para IA abarcan la identificación, adquisición, limpieza, licenciamiento, anonimización, anotación, evaluación y mejora continua de los datos que alimentan a los modelos.
La traducción automática había demostrado durante años que un modelo generalista rara vez domina por sí solo la terminología, el estilo y las reglas de una organización. La inteligencia artificial generativa confirmó el mismo principio a una escala mayor.
El valor competitivo no reside únicamente en acceder al modelo más potente. También depende de quién posee los datos adecuados, quién puede evaluarlos, quién controla el entorno de despliegue y quién decide cómo debe comportarse el sistema.
Alineación de modelos y colaboración con Barcelona Supercomputing Center
La experiencia acumulada en datos multilingües, evaluación y revisión humana llevó a Pangeanic hacia una nueva fase: la alineación de modelos de lenguaje.
La compañía colaboró con el Barcelona Supercomputing Center en trabajos relacionados con datos, anotación, evaluación, preferencias humanas y alineación de modelos multilingües desarrollados en España.
Estos trabajos incluyeron la creación y revisión de instrucciones, la evaluación de respuestas, la detección de sesgos y la aportación de feedback humano para mejorar el comportamiento de los modelos en español, catalán y otros idiomas.
La colaboración conectaba dos etapas de una misma historia. Durante años, Pangeanic había utilizado traducciones humanas para entrenar y evaluar sistemas lingüísticos. Ahora utilizaba conocimiento experto, preferencias y juicios humanos para ayudar a que los modelos generativos respondieran de forma más útil, segura y coherente.
La alineación mostró que el desarrollo de inteligencia artificial no termina cuando se completa el entrenamiento inicial. Los modelos necesitan criterios, evaluación, datos de tarea y bucles de mejora continuos.
Puede consultarse el caso en Pangeanic y Barcelona Supercomputing Center.
Una continuidad más larga que la moda tecnológica
La trayectoria de Pangeanic puede parecer una sucesión de cambios: traducción profesional, motores estadísticos, redes neuronales, modelos generativos, datos para IA y alineación.
Manuel la entiende como una continuidad. En cada etapa, el problema central ha sido el mismo: cómo convertir el lenguaje humano en una capacidad computable sin perder precisión, contexto, control y responsabilidad.
Los nombres de las tecnologías han cambiado. Primero se habló de memorias de traducción, después de corpus paralelos, traducción estadística, redes neuronales, grandes modelos de lenguaje y agentes. Debajo de cada generación continúa apareciendo la misma infraestructura silenciosa: datos, evaluación, conocimiento de dominio y criterio humano.
Esta continuidad explica por qué Manuel presta hoy tanta atención a los modelos pequeños especializados, a la soberanía de los datos y a los sistemas desplegados bajo control de la organización.
La historia de la automatización lingüística le enseñó que la inteligencia general puede alquilarse, pero la competencia específica debe construirse.
Europa como laboratorio de infraestructura lingüística
La evolución tecnológica de Pangeanic dio un salto cualitativo cuando la compañía comenzó a diseñar proyectos europeos propios.
Hasta entonces, buena parte del trabajo de la empresa se había concentrado en traducción automática, corpus paralelos, adaptación de motores y producción lingüística. Los programas europeos permitían abordar problemas de mayor escala: cómo compartir recursos entre administraciones, cómo desplegar traducción automática de forma segura, cómo reutilizar datos financiados con dinero público y cómo proteger información sensible antes de procesarla.
Manuel Herranz encontró en ese entorno una forma de convertir intuiciones empresariales en infraestructura pública. Los proyectos europeos no eran únicamente una fuente de financiación. Eran un marco para reunir empresas, universidades, administraciones y centros de investigación alrededor de problemas que ninguna organización podía resolver por sí sola.
iADAATPA: la primera propuesta europea concebida por Manuel Herranz
iADAATPA fue el primer proyecto europeo concebido y redactado por Manuel Herranz para Pangeanic.
La propuesta nació de una observación práctica. Las administraciones públicas europeas podían acceder a distintos motores de traducción automática, pero carecían de una infraestructura común capaz de identificar el idioma, detectar el dominio del documento, seleccionar el motor más adecuado y enrutar la solicitud de forma segura.
Manuel redactó la propuesta y articuló el consorcio inicial. Por razones de experiencia administrativa y de gestión formal de proyectos europeos, Everis asumió la coordinación nominal. La concepción tecnológica, el impulso inicial y una parte importante de la arquitectura procedieron de Pangeanic.
El proyecto planteaba una capa de intermediación entre usuarios públicos y motores de traducción. En lugar de obligar a cada organismo a elegir manualmente una herramienta, el sistema debía analizar el documento, identificar sus características y dirigirlo hacia el recurso más adecuado.
Esta idea anticipaba una arquitectura que años después se volvería común en inteligencia artificial empresarial: varios modelos especializados coordinados por una capa de orquestación.
iADAATPA también introducía una preocupación que seguiría creciendo en proyectos posteriores: las administraciones públicas no podían tratar sus documentos como si fueran datos genéricos. La seguridad, la trazabilidad y la capacidad de decidir dónde se procesaba cada contenido formaban parte del diseño.
La incorporación de Amando Estela
El proyecto iADAATPA coincidió con la incorporación de Amando Estela a Pangeanic.
Su experiencia en bases de datos distribuidas, aplicaciones de internet e infraestructura tecnológica reforzó la capacidad de la empresa para convertir una propuesta europea en una plataforma operativa.
La colaboración entre Manuel Herranz y Amando Estela continuó en MT Hub, NEC TM, NTEU y en la industrialización de los sistemas neuronales de Pangeanic.
Amando participó también como coautor en publicaciones técnicas relacionadas con los casos de uso de iADAATPA, traducción automática adaptativa y aprendizaje incremental.
Puede consultarse su trayectoria en la página profesional de Amando Estela en Pangeanic.
NEC TM: reutilizar el conocimiento bilingüe generado en Europa
Después de iADAATPA, Manuel impulsó NEC TM, una propuesta centrada en la creación de una infraestructura europea para recopilar, organizar y reutilizar memorias de traducción.
Las instituciones públicas producen cada año enormes cantidades de contenido bilingüe y multilingüe. Informes, directivas, formularios, procedimientos, comunicaciones y documentos administrativos se traducen con dinero público, pero gran parte de ese conocimiento permanece fragmentado en sistemas cerrados, archivos locales o repositorios difíciles de reutilizar.
NEC TM abordaba este problema como una cuestión de infraestructura. El objetivo consistía en transformar memorias dispersas en activos lingüísticos accesibles, estructurados y reutilizables.
El proyecto partía de una idea sencilla pero poderosa: las traducciones realizadas por administraciones europeas no son únicamente entregables terminados. También constituyen datos de alto valor para entrenar motores, mejorar terminología, facilitar nuevas traducciones y preservar conocimiento institucional.
La lógica de NEC TM anticipó el debate actual sobre espacios de datos. Antes de que la expresión se generalizara, el proyecto ya planteaba cómo compartir recursos de manera útil, gobernada y compatible con distintos sistemas.
NTEU: traducción neuronal para las lenguas europeas
NTEU llevó esta línea de trabajo hacia la traducción automática neuronal.
El proyecto se orientó al desarrollo de motores, corpus y recursos multilingües para las lenguas oficiales de la Unión Europea. La transición desde sistemas estadísticos hacia redes neuronales ofrecía una mejora considerable de fluidez, pero también exigía datos de mayor calidad, mayor capacidad de entrenamiento y nuevas formas de evaluación.
La desigualdad entre lenguas era uno de los problemas centrales. Algunas contaban con grandes volúmenes de datos, herramientas maduras y una presencia digital amplia. Otras disponían de recursos mucho más limitados.
NTEU buscaba reducir parte de esa distancia mediante la preparación de datos, la creación de modelos y la reutilización de recursos europeos.
El proyecto reforzó una convicción que Manuel desarrollaría en años posteriores: la capacidad multilingüe no puede medirse únicamente por el número de idiomas que un modelo afirma admitir. Cada lengua necesita datos, evaluación y adaptación propias.
Un sistema puede producir frases fluidas en muchos idiomas y seguir fallando en terminología institucional, contextos jurídicos, variedades regionales o usos administrativos. La igualdad lingüística digital exige infraestructuras más profundas que una interfaz traducida.
MAPA: anonimización multilingüe para datos sensibles
MAPA añadió una nueva capa a la trayectoria europea de Pangeanic: la privacidad.
El proyecto se orientó a la anonimización multilingüe de documentos administrativos, jurídicos e institucionales. Su objetivo era detectar y proteger datos personales sin destruir el significado necesario para que el documento pudiera seguir utilizándose.
La anonimización es especialmente compleja cuando intervienen varios idiomas. Los nombres, direcciones, números de identificación, cargos, fechas y referencias personales pueden aparecer en posiciones distintas y bajo convenciones muy diferentes.
Un sistema útil debe reconocer esas variaciones, distinguir entre entidades sensibles y contenido necesario, y aplicar reglas compatibles con el contexto jurídico y administrativo.
MAPA conectó de forma directa privacidad y procesamiento del lenguaje natural. También preparó el terreno para una cuestión que hoy resulta central en inteligencia artificial: cómo utilizar datos reales sin exponer información personal ni perder el contexto que hace valioso al documento.
La tecnología desarrollada en esta línea se ha aplicado posteriormente en flujos de trabajo para administraciones y entornos regulados.
Puede consultarse más información en el caso de uso de MAPA.
Cuatro proyectos, una misma arquitectura
iADAATPA, NEC TM, NTEU y MAPA formaron una secuencia coherente.
iADAATPA abordó el acceso seguro a distintos motores y su orquestación.
NEC TM se concentró en recopilar y reutilizar datos bilingües generados por instituciones públicas.
NTEU utilizó esos recursos y otros corpus para desarrollar sistemas neuronales multilingües.
MAPA añadió la capacidad de proteger información sensible antes de utilizarla en procesos lingüísticos o de inteligencia artificial.
Vistos en conjunto, estos proyectos anticiparon buena parte de la arquitectura actual de la IA empresarial: datos gobernados, modelos especializados, orquestación, privacidad, evaluación y despliegue bajo control institucional.
Europa ofreció a Manuel y a Pangeanic un marco para convertir problemas lingüísticos concretos en infraestructura reutilizable.
European Language Equality
Manuel participó posteriormente en European Language Equality, ELE, una iniciativa europea creada para analizar el estado tecnológico de las lenguas de Europa y definir una hoja de ruta hacia una mayor igualdad lingüística digital.
El proyecto partía de una constatación incómoda. Europa posee una diversidad lingüística extraordinaria, pero las capacidades digitales disponibles para cada lengua son profundamente desiguales.
Algunas lenguas disponen de grandes corpus, modelos de voz, traductores automáticos, herramientas de análisis y recursos de evaluación. Otras apenas cuentan con datos suficientes para participar plenamente en la economía digital.
ELE reunió a universidades, centros de investigación, instituciones y empresas tecnológicas con el objetivo de medir esa desigualdad y proponer prioridades de inversión, investigación e infraestructura.
La participación de Manuel conectó esta agenda con la experiencia industrial de Pangeanic en traducción automática, corpus multilingües, evaluación y despliegue.
Technology Deep Dive: Machine Translation
Dentro de European Language Equality, Manuel fue coautor del informe Technology Deep Dive: Machine Translation.
La publicación reunió a especialistas procedentes de empresas, universidades y organizaciones europeas para analizar la evolución de la traducción automática, su situación tecnológica y los retos que debían abordarse antes de 2030.
El informe recorre la transición desde sistemas basados en reglas y modelos estadísticos hacia arquitecturas neuronales. También analiza problemas que continúan abiertos: disponibilidad desigual de datos, evaluación, adaptación de dominio, lenguas con menos recursos, costes de entrenamiento y despliegue industrial.
La aportación de Manuel representaba la perspectiva de una empresa que había operado distintas generaciones de traducción automática en producción.
Su experiencia permitía conectar la investigación con preguntas prácticas: qué datos necesita un modelo, cómo se adapta a un cliente, cómo se mide su calidad, cómo se integra en un flujo real y qué ocurre cuando el sistema falla.
El informe formó parte del trabajo estratégico de ELE para definir las capacidades lingüísticas que Europa necesitaría desarrollar a lo largo de la década.
Una trayectoria construida en colaboración
Los proyectos europeos reunieron a empresas con una larga trayectoria en tecnologías del lenguaje, universidades, integradores, centros de investigación y administraciones públicas.
Entre los socios y colaboradores de distintas etapas se encuentran compañías especializadas como Tilde, Prompsit y KantanMT, además de grandes integradores y organizaciones académicas.
Estas colaboraciones fueron relevantes porque la infraestructura lingüística europea exige capacidades muy diversas. Un proyecto puede necesitar corpus, traducción automática, bases de datos distribuidas, evaluación, anonimización, interfaces públicas, gestión administrativa y experiencia de despliegue.
Tilde aportó una amplia experiencia en traducción automática y lenguas con menos recursos. Prompsit representó una parte importante del ecosistema español de tecnologías lingüísticas. KantanMT formó parte de la primera generación de empresas europeas dedicadas a industrializar traducción automática personalizada.
La presencia de estos socios muestra que la innovación lingüística europea se construyó durante años a través de una red de empresas especializadas, mucho antes de que la inteligencia artificial generativa atrajera la atención general.
SEDIA y Barcelona Supercomputing Center
En una etapa posterior, la trayectoria de Pangeanic se conectó con la estrategia española de inteligencia artificial a través de instituciones como la Secretaría de Estado de Digitalización e Inteligencia Artificial, SEDIA, y el Barcelona Supercomputing Center.
SEDIA ha desempeñado un papel central en el impulso de programas nacionales relacionados con digitalización, inteligencia artificial, espacios de datos y desarrollo de capacidades tecnológicas propias.
La colaboración con el Barcelona Supercomputing Center situó la experiencia de Pangeanic en el nuevo ciclo de los modelos de lenguaje multilingües.
El trabajo incluyó datos, anotación, evaluación, revisión de instrucciones, detección de sesgos y alineación mediante feedback humano.
Para Manuel, esta colaboración representó una continuidad más que una ruptura. Los primeros proyectos europeos se centraban en memorias de traducción, motores y anonimización. Los nuevos programas trabajaban con modelos fundacionales, preferencias humanas y sistemas capaces de generar, resumir y razonar sobre lenguaje.
La materia prima seguía siendo reconocible: datos multilingües, criterios de calidad, evaluación y conocimiento humano.
Participaciones europeas posteriores
Después de MAPA, Pangeanic continuó participando en numerosos proyectos europeos relacionados con patrimonio cultural, igualdad lingüística, espacios de datos, medios audiovisuales, traducción, anonimización y recursos para inteligencia artificial.
En estas iniciativas posteriores, Pangeanic no siempre actuó como coordinador o impulsor principal. Su papel varió según el proyecto: proveedor tecnológico, socio de datos, especialista en traducción, responsable de anonimización o participante en tareas de evaluación y explotación.
Esta distinción es importante. La trayectoria europea de una empresa no se mide únicamente por el número de proyectos en los que aparece, sino por la función concreta que desempeña en cada consorcio.
La página de Pangeanic en Wikipedia ofrece una visión general de algunos de estos proyectos y de la evolución de la compañía.
También puede consultarse la sección corporativa de proyectos europeos de inteligencia artificial y tecnologías del lenguaje.
Del multilingüismo europeo a la inteligencia artificial soberana
La experiencia acumulada en estos proyectos influyó profundamente en la visión actual de Manuel sobre soberanía tecnológica.
Europa no puede depender únicamente de modelos desarrollados fuera de su contexto lingüístico, jurídico e institucional. Necesita datos propios, capacidad de evaluación, infraestructuras de despliegue y modelos adaptados a sus lenguas y sectores.
La soberanía no consiste en aislarse ni en rechazar tecnologías externas. Consiste en conservar la capacidad de decidir cómo se utilizan, qué datos las alimentan, dónde se ejecutan y bajo qué criterios se consideran fiables.
Los proyectos europeos mostraron que la diversidad lingüística puede convertirse en una debilidad si cada lengua permanece aislada y sin recursos. También puede convertirse en una ventaja si Europa construye una infraestructura común capaz de respetar diferencias y compartir conocimiento.
Esta idea atraviesa buena parte del trabajo posterior de Manuel: la inteligencia artificial europea necesita escala, pero también memoria institucional, pluralidad lingüística y control democrático sobre sus infraestructuras.
Gouria y el Proyecto Malima
En febrero de 2012, Manuel Herranz viajó como voluntario a Gouria, una pequeña localidad del Extremo Norte de Camerún, para colaborar con la escuela del Proyecto Malima.
La misión inicial parecía concreta: organizar la biblioteca, instalar equipos informáticos y ofrecer una primera formación digital a alumnos y profesores. Sin embargo, la realidad del lugar convirtió pronto aquella tarea en algo más amplio.
Muchos de los niños nunca habían utilizado un teclado. Dos ordenadores permanecían guardados porque nadie sabía configurarlos. Manuel los puso en funcionamiento, llevó equipos adicionales y comenzó a enseñar nociones básicas de informática en una escuela con recursos muy limitados.
La tecnología, en Gouria, no era una cuestión de eficiencia empresarial. Era acceso. Un ordenador podía convertirse en una biblioteca, una herramienta educativa, una ventana al exterior o el primer contacto de un niño con un mundo que hasta entonces le resultaba invisible.
La experiencia obligó a cambiar de escala. La falta de electricidad, agua potable, libros, material sanitario y conectividad mostraba que cualquier proyecto tecnológico debía empezar por comprender las condiciones reales en las que iba a operar.
Judith Burnett y el origen del Proyecto Malima
El Proyecto Malima había sido impulsado en 1998 por Judith Burnett, profesora de Cambridge House Community College, en Valencia.
La iniciativa comenzó con una pequeña aula y fue creciendo gracias al apoyo de familias vinculadas al colegio, que realizaron aportaciones voluntarias para financiar instalaciones, material escolar y escolarización.
Con el tiempo, el proyecto amplió su actividad y llegó a atender a cientos de niños de Gouria y de comunidades cercanas. También apoyó la compra de libros, la creación de una biblioteca, la mejora del acceso al agua y distintas necesidades sanitarias y educativas.
Tras la salida de Judith Burnett de Cambridge House, la continuidad de la escuela quedó vinculada a una misión de la Iglesia católica, que asumió la responsabilidad de mantener la actividad educativa y preservar el trabajo realizado durante los años anteriores.
La historia del Proyecto Malima mostraba una forma de cooperación basada en continuidad, relaciones personales y apoyo directo. No se trataba de una gran estructura internacional, sino de una red de personas que habían decidido sostener una escuela concreta durante años.
Vivir y trabajar con recursos mínimos
Durante su estancia, Manuel comprobó hasta qué punto una tecnología depende de la infraestructura que la rodea.
La electricidad era limitada. La conexión a internet apenas permitía enviar mensajes. Para publicar una de sus crónicas tuvo que desplazarse decenas de kilómetros en motocicleta y trabajar con una conexión inferior a la de los primeros años de internet comercial.
Desde Gouria organizó peticiones de libros escolares, software educativo en francés, material sanitario básico y contribuciones para la escolarización, la biblioteca y el acceso al agua.
También colaboró en la puesta en marcha de equipos y en la creación de una pequeña infraestructura digital que pudiera seguir utilizándose después de su marcha.
Aquella experiencia mostró una realidad que con frecuencia se pierde en los debates tecnológicos: la innovación carece de sentido cuando ignora el contexto material. Un sistema sofisticado puede resultar inútil si no existe electricidad, conectividad, formación o una persona capaz de mantenerlo.
Dar existencia digital a Gouria
Durante o después de su estancia, Manuel creó la primera página de Wikipedia dedicada a Gouria.
La decisión partía de una intuición sencilla: lo que no aparece en los mapas, en los buscadores o en las fuentes públicas corre el riesgo de quedar fuera de la memoria digital.
Crear la página de Gouria significaba dar visibilidad a una localidad apenas documentada, dejar constancia de su comunidad, de la escuela y del trabajo desarrollado por el Proyecto Malima.
La entrada permitió reunir información sobre la localidad, la comunidad kapsiki y la evolución del proyecto educativo. También ofreció una referencia para quienes quisieran conocer, apoyar o investigar la zona.
Puede consultarse la página de Gouria en Wikipedia.
Crónicas desde el norte de Camerún
Manuel relató parte de aquella experiencia en dos artículos publicados en el blog de Pangeanic.
Las crónicas describen la precariedad de las comunicaciones, la necesidad de libros y material educativo, el estado de la escuela y el esfuerzo por construir una biblioteca y una pequeña infraestructura informática.
También muestran una dimensión menos visible de su trayectoria. Manuel había trabajado en proyectos industriales, tecnología lingüística y cooperación internacional, pero en Gouria se encontró ante una escala distinta: la de un aula, unos pocos ordenadores y una comunidad para la que cada recurso podía cambiar varias vidas.
La tecnología como acceso
La estancia en Gouria dejó una huella profunda en su manera de entender la tecnología.
Hasta entonces, buena parte de su carrera había transcurrido alrededor de eficiencia, automatización, calidad y sistemas internacionales. En Camerún, la tecnología adquirió una dimensión más elemental: permitir que una persona pudiera aprender, comunicarse o acceder a información que de otro modo permanecería fuera de su alcance.
La brecha digital deja de ser una expresión abstracta cuando un ordenador guardado en una caja puede convertirse en la primera biblioteca digital de una escuela.
También se vuelve evidente que el acceso no depende solamente de entregar equipos. Requiere electricidad, mantenimiento, formación, materiales adecuados y una comunidad capaz de apropiarse de la herramienta.
Esta experiencia reforzó una visión humanista de la innovación. La tecnología puede ampliar capacidades, pero su valor depende de las condiciones sociales, educativas y culturales en las que se introduce.
Cómo Gouria influyó en su forma de pensar
Gouria añadió una dimensión moral a una trayectoria que hasta entonces había estado marcada principalmente por la ingeniería, el lenguaje y la empresa.
La experiencia confirmó que las tecnologías nunca son neutrales en sus efectos. Pueden reducir desigualdades o ampliarlas. Pueden abrir una puerta o construir una nueva barrera. Todo depende de quién tiene acceso, quién controla la infraestructura y quién queda fuera.
Esta idea reaparecería más tarde en su defensa de las lenguas con menos recursos, la igualdad lingüística digital y la soberanía tecnológica europea.
Una lengua sin datos, una comunidad sin conectividad o una administración sin capacidad tecnológica propia comparten una misma vulnerabilidad: dependen de sistemas diseñados por otros y según prioridades ajenas.
Para Manuel, la tecnología adquiere sentido cuando aumenta la autonomía de las personas y de las instituciones. Gouria mostró esa idea en su forma más directa.
Familia y vida personal
La vida profesional de Manuel ha estado acompañada por una trayectoria familiar desarrollada entre el Reino Unido y España.
Es padre de cuatro hijos. Carmen y Carolina nacieron durante sus años en Manchester. Daniel y Claudia nacieron después de su regreso a Valencia.
La experiencia de criar una familia entre países, viajes y proyectos internacionales aportó una dimensión cotidiana a una carrera marcada por la movilidad y la tecnología.
Tras una nueva etapa personal iniciada después de 2012, contrajo matrimonio con Ana B. Fernández en 2019.
Esta parte de su vida no aparece normalmente en la biografía corporativa de Pangeanic, pero ayuda a entender una trayectoria menos lineal y más humana: una carrera construida entre responsabilidades profesionales, hijos, cambios de país, segundas oportunidades y relaciones que se han desarrollado a lo largo de décadas.
Humanismo tecnológico sin retórica
Manuel no entiende el humanismo tecnológico como una declaración abstracta ni como una forma de rechazo a la automatización.
Su experiencia industrial le enseñó el valor de las máquinas. Su trabajo con traducción automática mostró cuánto pueden ampliar la productividad. Su carrera en inteligencia artificial ha demostrado que muchos procesos pueden mejorar radicalmente mediante modelos, datos y automatización.
Pero también ha aprendido que la eficiencia no sustituye al criterio, que la escala no garantiza justicia y que una tecnología puede funcionar técnicamente mientras fracasa socialmente.
El factor humano aparece en su pensamiento como responsabilidad, supervisión y capacidad de decidir. Las personas deben definir los objetivos, establecer límites, evaluar consecuencias y conservar la posibilidad de intervenir.
La automatización debe reducir trabajo repetitivo y ampliar capacidades. No debe convertirse en una excusa para transferir decisiones críticas a sistemas opacos.
Esta visión conecta su experiencia en Gouria con su trabajo actual en anonimización, evaluación, alineación de modelos y sistemas de inteligencia artificial bajo control institucional.
Ideas y filosofía tecnológica
La trayectoria de Manuel Herranz ha atravesado varias generaciones tecnológicas: maquinaria industrial, documentación técnica, memorias de traducción, traducción automática estadística, redes neuronales y grandes modelos de lenguaje.
Los nombres han cambiado con rapidez. Los problemas esenciales, mucho menos.
En cada etapa reaparecen las mismas preguntas: qué datos alimentan el sistema, quién decide qué significa calidad, cómo se detectan los fallos, qué parte del proceso debe automatizarse y quién conserva la capacidad de intervenir.
La experiencia acumulada durante más de tres décadas le ha llevado a desconfiar tanto del rechazo instintivo a la tecnología como del entusiasmo que atribuye a cada nueva arquitectura la capacidad de resolver por sí sola problemas empresariales, sociales o lingüísticos.
La tecnología puede ampliar capacidades de forma extraordinaria. También puede amplificar errores, dependencias y desigualdades cuando se despliega sin contexto ni gobierno.
El lenguaje no es solo texto
Una parte central del pensamiento de Manuel parte de una constatación sencilla: el lenguaje no es únicamente una secuencia de palabras.
Contiene memoria institucional, conocimiento profesional, relaciones de autoridad, ironía, ambigüedad, cortesía, identidad y cultura. Una traducción puede ser gramaticalmente correcta y seguir siendo inadecuada. Una respuesta generada por un modelo puede sonar convincente y contener un error decisivo.
Esta distancia entre fluidez y verdad se ha vuelto especialmente visible con los grandes modelos de lenguaje. Los sistemas actuales producen textos mucho más naturales que generaciones anteriores, pero la naturalidad de una frase no garantiza la precisión de su contenido.
Por eso Manuel insiste en separar capacidad lingüística de fiabilidad operativa. Un modelo que escribe bien no necesariamente comprende la obligación jurídica de un contrato, la terminología de un fabricante o el riesgo clínico de una instrucción.
La calidad depende del contexto de uso. Un error tolerable en una conversación informal puede resultar inaceptable en una administración, un hospital, una fábrica o una infraestructura crítica.
Los datos como memoria organizada
Durante años, las empresas trataron sus traducciones, documentos y terminologías como residuos de procesos terminados. Para Manuel, esos activos contienen una memoria organizativa difícil de reconstruir.
Una memoria de traducción conserva decisiones tomadas por especialistas. Un glosario recoge acuerdos terminológicos. Un corpus de atención al cliente muestra cómo una empresa responde a problemas recurrentes. Un conjunto de evaluaciones revela qué comportamientos se consideran aceptables y cuáles deben corregirse.
Los datos adquieren valor cuando están relacionados con una tarea, una organización y un criterio de calidad.
Esta es una de las razones por las que Manuel concede tanta importancia a los datos específicos frente a la acumulación indiscriminada. Un conjunto más pequeño, bien seleccionado y correctamente evaluado puede resultar mucho más útil que una masa enorme de contenido sin procedencia ni propósito claros.
El futuro de la inteligencia artificial empresarial dependerá menos de añadir volúmenes infinitos de información y más de transformar conocimiento interno en datos utilizables, trazables y gobernados.
Modelos especializados para tareas concretas
Manuel considera que el entusiasmo por los modelos generales ha ocultado durante un tiempo una cuestión elemental: las organizaciones no necesitan una inteligencia abstracta para cada proceso.
Necesitan sistemas que resuelvan tareas concretas con costes previsibles, niveles de calidad medibles y condiciones de despliegue compatibles con su actividad.
Un modelo especializado puede entrenarse o ajustarse para clasificar documentos, extraer entidades, anonimizar información, aplicar terminología, evaluar traducciones, responder sobre una base documental o asistir en una decisión limitada.
Su menor tamaño puede facilitar el despliegue privado, reducir latencia, disminuir consumo computacional y hacer posible una evaluación más precisa.
La cuestión no consiste en enfrentar modelos pequeños y grandes como si fueran categorías ideológicas. Cada arquitectura debe ocupar la función para la que ofrece una ventaja real.
Los modelos generales pueden aportar capacidad lingüística amplia, razonamiento flexible y generación. Los modelos especializados pueden ofrecer control, eficiencia, privacidad y consistencia en tareas delimitadas.
La arquitectura más útil suele combinar ambos niveles junto con reglas, fuentes de datos, sistemas de recuperación, controles de calidad y supervisión humana.
Soberanía tecnológica como capacidad de decisión
Manuel utiliza el concepto de soberanía tecnológica en un sentido práctico.
Una organización es soberana cuando conserva la capacidad de decidir qué datos utiliza, dónde se procesan, qué modelos intervienen, cómo se evalúan y quién puede acceder a los resultados.
La soberanía no exige desarrollar internamente cada componente ni rechazar proveedores externos. Exige evitar que las funciones críticas dependan de una única infraestructura opaca, de condiciones comerciales imprevisibles o de sistemas que no permiten auditar su comportamiento.
En el ámbito lingüístico, esta cuestión tiene una dimensión europea evidente. Las lenguas con menos recursos, las administraciones y los sectores regulados no pueden depender por completo de modelos entrenados según prioridades externas.
Europa necesita capacidad propia para recopilar datos, entrenar modelos, evaluar resultados y desplegar sistemas bajo sus marcos jurídicos e institucionales.
La autonomía comienza en la infraestructura, pero termina en la capacidad de decisión.
La privacidad debe formar parte de la arquitectura
La inteligencia artificial empresarial necesita datos reales. Con frecuencia, esos datos contienen nombres, identificadores, direcciones, información comercial, expedientes, conversaciones o referencias personales.
Esperar hasta el final del proceso para considerar la privacidad suele ser demasiado tarde.
La anonimización, el enmascaramiento, el control de acceso y la trazabilidad deben integrarse desde el diseño. No son trámites administrativos añadidos después de construir el sistema.
La experiencia de Pangeanic en MAPA y en flujos multilingües de anonimización reforzó esta idea. Proteger datos exige comprender el texto, reconocer entidades sensibles y conservar el contexto necesario para que la información siga siendo útil.
Una privacidad mal aplicada puede dejar información expuesta. Una anonimización excesiva puede destruir el valor del documento. El equilibrio requiere modelos, reglas y evaluación humana.
La evaluación es una infraestructura
Una de las ideas que aparecen con mayor frecuencia en el trabajo de Manuel es que no puede gobernarse aquello que no puede evaluarse.
Las organizaciones suelen concentrarse en seleccionar modelos y dejan para el final la definición de criterios de calidad. El orden debería invertirse.
Antes de desplegar un sistema conviene definir qué significa una respuesta correcta, qué errores son tolerables, qué casos requieren revisión y qué métricas reflejan realmente el riesgo de la tarea.
La evaluación debe incluir conjuntos de prueba, ejemplos adversos, conocimiento de dominio, revisión humana y seguimiento en producción.
Un modelo puede superar una prueba general y fracasar en el lenguaje de una organización. También puede mejorar su promedio mientras empeora en los casos menos frecuentes pero más sensibles.
Por esta razón, Manuel entiende la evaluación como una operación continua y no como un examen que se supera una sola vez.
Alinear significa enseñar criterios
La alineación de modelos se describe a menudo como una cuestión de seguridad o preferencia humana. Para Manuel, también es una forma de transmitir criterios profesionales y culturales.
Cuando una persona compara dos respuestas, corrige una instrucción o explica por qué una salida resulta inadecuada, está transformando conocimiento tácito en una señal que el sistema puede utilizar.
Este trabajo resulta especialmente importante en entornos multilingües. Las preferencias no se trasladan mecánicamente de un idioma a otro. Cambian las formas de cortesía, el grado de explicitud, las convenciones institucionales y los límites de lo que se considera una respuesta útil.
La alineación requiere, por tanto, personas con conocimiento lingüístico, cultural y de dominio. La cantidad de evaluaciones importa, pero también importa quién evalúa y con qué criterio.
La supervisión humana como diseño operativo
Manuel evita presentar la relación entre personas y máquinas como una competición.
Las máquinas son especialmente eficaces en volumen, repetición, búsqueda de patrones y ejecución uniforme. Las personas aportan contexto, responsabilidad, interpretación, conocimiento tácito y capacidad de responder ante situaciones nuevas.
La cuestión práctica consiste en diseñar el punto de encuentro.
Un sistema puede procesar automáticamente los casos de alta confianza y dirigir las excepciones a especialistas. Puede proponer una traducción y comprobar después si cumple la terminología. Puede extraer información y marcar para revisión los resultados ambiguos.
La intervención humana debe concentrarse donde existe incertidumbre, riesgo o necesidad de criterio.
Este enfoque permite ampliar la automatización sin fingir que todos los casos son equivalentes.
Agentes, flujos de trabajo y responsabilidad
La evolución hacia sistemas agénticos amplía las posibilidades de automatización. Un agente puede consultar fuentes, utilizar herramientas, transformar documentos, generar respuestas y coordinar varias tareas dentro de un proceso.
También amplía la superficie de riesgo.
Cuantas más acciones puede realizar un sistema, mayor debe ser la claridad sobre permisos, fuentes, límites, registros y mecanismos de interrupción.
Manuel considera que el valor de los agentes aparecerá en flujos de trabajo bien definidos, donde cada acción tenga un propósito, una fuente autorizada y una condición de validación.
Un agente empresarial útil no debería comportarse como una caja negra con acceso ilimitado. Debería funcionar como un operador delimitado, observable y sometido a reglas.
Europa, multilingüismo y capacidad tecnológica
El multilingüismo europeo suele describirse como una dificultad de mercado. Manuel lo entiende también como una escuela de ingeniería.
Construir sistemas que funcionen en muchas lenguas obliga a afrontar diversidad de datos, morfologías, alfabetos, convenciones, dominios y marcos jurídicos.
Esta complejidad puede convertirse en una ventaja. Europa posee experiencia acumulada en traducción, terminología, recursos lingüísticos, normalización y cooperación entre instituciones.
La oportunidad consiste en transformar esa experiencia en infraestructura para inteligencia artificial: conjuntos de datos, modelos, herramientas de evaluación, sistemas de anonimización y capacidades de despliegue soberano.
La diversidad lingüística no necesita una capa superficial de traducción. Necesita estar presente en los datos, en la evaluación y en el diseño de los sistemas.
Principios que atraviesan su trabajo
- La fluidez no equivale a verdad. Un texto convincente puede contener errores graves.
- Los datos deben tener procedencia y propósito. El volumen por sí solo no crea conocimiento útil.
- La evaluación debe preceder al despliegue. Primero se define qué significa funcionar bien.
- La privacidad pertenece a la arquitectura. No puede añadirse como corrección final.
- Los modelos especializados recuperarán protagonismo. Muchas tareas empresariales necesitan precisión y control, no generalidad ilimitada.
- La supervisión humana debe concentrarse en el riesgo. Revisarlo todo es ineficiente; no revisar nada es irresponsable.
- La soberanía consiste en poder decidir. Datos, modelos, infraestructura y criterios deben permanecer bajo control comprensible.
- El multilingüismo necesita ingeniería propia. Admitir un idioma no significa comprender sus dominios, registros y comunidades.
Un pensamiento en evolución
Estas ideas no forman una doctrina cerrada. Han evolucionado con la tecnología y con la experiencia acumulada en proyectos industriales, europeos y empresariales.
Manuel ha defendido la automatización cuando una parte importante de la industria lingüística todavía la observaba con recelo. También ha advertido sobre sus límites cuando el mercado comenzó a atribuir capacidades casi ilimitadas a los grandes modelos.
El hilo conductor no es una fidelidad a una arquitectura concreta. Es una preferencia por sistemas que puedan comprenderse, evaluarse y utilizarse con responsabilidad.
La innovación avanza mediante oleadas. El criterio se construye observando qué permanece cuando cada oleada pierde su espuma.
Investigación, análisis y pensamiento
Publicaciones seleccionadas
Las publicaciones de Manuel Herranz recorren la evolución de las tecnologías del lenguaje desde la traducción automática y el procesamiento lingüístico hasta los grandes modelos de lenguaje, los datos para inteligencia artificial y la soberanía tecnológica.
La selección siguiente distingue entre artículos firmados por Manuel, informes de investigación colectiva y publicaciones en las que participa como experto o fuente especializada.
| Año | Publicación | Tema | Participación | Fuente |
|---|---|---|---|---|
| 2024 | Language Is No Longer Human | Inteligencia artificial generativa, automatización de la comunicación y transformación del lenguaje. | Autor | MultiLingual Magazine |
| 2024 | Neural Machine Translation Versus Large Language Models | Comparación entre traducción automática neuronal y modelos de lenguaje generativos. | Contribución experta | MultiLingual Magazine |
| 2024 | Overcoming the Limitations of LLMs | RAG, bases de datos vectoriales, traducción adaptativa, contexto cultural y reducción de alucinaciones. | Experto y portavoz tecnológico | MultiLingual Magazine |
| 2022 | Technology Deep Dive: Machine Translation | Estado de la traducción automática, lenguas con menos recursos, datos, evaluación y perspectivas para 2030. | Coautor | European Language Equality |
| 2021 | AI for Language Technology | Aplicaciones prácticas de IA en empresas especializadas en tecnologías del lenguaje. | Experto entrevistado | MultiLingual Magazine |
| 2024 | Neural Machine Translation versus Prompting-Based LLM Translation | Control terminológico, contexto, costes y diferencias operativas entre NMT y LLM. | Autor | Pangeanic Blog |
| 2023 | Advantages and Disadvantages of LLM Machine Translation versus Neural Machine Translation | Ventajas, límites y riesgos de los modelos generativos aplicados a traducción. | Autor | Pangeanic Blog |
Una línea de pensamiento reconocible
Estas publicaciones muestran una continuidad intelectual. En 2021, Manuel ya defendía que las empresas especializadas podían competir con grandes plataformas mediante datos propios, procesos adaptables y modelos dedicados a funciones concretas.
En 2022, el informe de European Language Equality situó esas ideas dentro de una agenda europea de largo plazo. En 2023 y 2024, sus artículos analizaron el impacto de los modelos generativos, sus ventajas contextuales y sus limitaciones en precisión, control y fiabilidad.
La cuestión central permanece: cómo utilizar la capacidad lingüística de la inteligencia artificial sin renunciar al conocimiento específico, la evaluación ni el control sobre los datos.
Consultar publicaciones y menciones de Manuel Herranz en MultiLingual
Producción científica y técnica
Investigación y publicaciones académicas
Además de sus artículos de análisis, Manuel ha participado en publicaciones técnicas vinculadas a traducción automática, adaptación de modelos, infraestructuras multilingües y proyectos europeos.
Google Scholar
Perfil académico con publicaciones, coautorías, citas y trabajos relacionados con traducción automática, aprendizaje incremental y tecnologías lingüísticas.
European Language Equality
Participación en la reflexión europea sobre traducción automática, lenguas con menos recursos e igualdad lingüística digital.
Presentaciones técnicas
Archivo histórico de presentaciones sobre traducción automática, automatización lingüística, datos y evolución del sector.
Conferencias y debate sectorial
Presencia pública y conferencias seleccionadas
Manuel ha participado durante años en conferencias de tecnologías lingüísticas, localización, inteligencia artificial y políticas europeas. La selección no pretende recoger todas sus intervenciones, sino mostrar la evolución de los temas que ha llevado al debate público.
| Año | Evento | Tema o intervención | Organización |
|---|---|---|---|
| 2025 | GenAI in Localization | Inteligencia artificial generativa, automatización y evolución de los flujos de localización. | TAUS |
| 2025 | Language Data Space Country Workshop Spain | Espacios europeos de datos lingüísticos, gobernanza e infraestructuras compartidas. | European Language Data Space |
| 2024 | LocWorld51 Dublin | Language Is No Longer Human: RAG LLMs at News Agency EFE, junto con Juan Manuel Ruiz García. | LocWorld |
| 2024 | Massively Multilingual Conference | Datos multilingües, traducción automática y expansión de capacidades lingüísticas. | TAUS |
| 2022 | META-FORUM 2022 | Igualdad lingüística, tecnologías del lenguaje e infraestructura digital europea. | European Language Grid |
| 2017 | LocWorld34 Barcelona | Presentación tecnológica dentro del TAUS Translation Technology Showcase. | LocWorld y TAUS |
| 2013 | LocWorld22 London | Traducción automática, innovación lingüística y evolución de los procesos de localización. | LocWorld |
Vídeos, entrevistas y conversaciones
Intervenciones seleccionadas en vídeo
Esta selección reúne conferencias, entrevistas y conversaciones en las que Manuel explica la evolución de Pangeanic, la importancia de los datos propios, la anonimización, los modelos especializados y el futuro de la inteligencia artificial multilingüe.
Entrevista destacada
Manuel Herranz en The AI Summit New York
Una conversación sobre inteligencia artificial empresarial, datos multilingües, modelos especializados y la evolución de Pangeanic desde las tecnologías de traducción hacia las operaciones de datos y la alineación de modelos.
Entrevista
There Is No Better Data Than Your Data
Manuel explica por qué los datos internos de una organización constituyen uno de sus activos más valiosos para adaptar sistemas de inteligencia artificial.
Conferencia
La IA que funciona: pequeños modelos para grandes problemas
Una defensa de las arquitecturas especializadas, los modelos pequeños y los sistemas diseñados alrededor de tareas empresariales concretas.
Conferencia
The Importance of Data Anonymization to Build Ethical AI
Una exposición sobre procedencia de datos, privacidad, anonimización y las condiciones necesarias para construir inteligencia artificial responsable.
Entrevista
Bruno Herrmann conversa con Manuel Herranz
Una conversación sobre su trayectoria empresarial, los orígenes de Pangeanic y la transformación de la industria lingüística.
Pódcast en vídeo
Pangeanic, sus raíces japonesas y la evolución de la traducción automática
Manuel conversa con Slator sobre la historia de la compañía, su relación con Japón, la traducción automática y la evolución del mercado lingüístico.
Entrevista de perfil
Manuel Herranz, CEO de Pangeanic
Una entrevista amplia sobre ingeniería, cogeneración eléctrica, tecnologías del lenguaje, emprendimiento y construcción de Pangeanic.
Entrevista tecnológica
Procesamiento del lenguaje natural e inteligencia artificial
Reflexiones sobre la evolución del procesamiento del lenguaje natural, los datos multilingües y las aplicaciones empresariales de la IA.
Panel
DeepSeek: beyond the headlines
Un debate sobre costes de entrenamiento, eficiencia, apertura de modelos, geopolítica y las implicaciones empresariales de DeepSeek.
Conversaciones en audio
Pódcasts y entrevistas de radio
Pódcast
Conversación de Manuel Herranz en SlatorPod
Entrevista sobre Pangeanic, traducción automática, tecnología lingüística y transformación del sector.
Radio
Entrevista de radio sobre inteligencia artificial y lenguaje
Conversación divulgativa sobre el impacto de la inteligencia artificial, las tecnologías lingüísticas y su aplicación social y empresarial.
Una trayectoria entre industria, lenguaje e inteligencia artificial
Cronología seleccionada
Esta cronología resume algunos hitos personales, profesionales e intelectuales que ayudan a entender la evolución de Manuel Herranz.
- 1989
Comienzo de la etapa en Manchester
Se traslada al área de Manchester, donde vivirá hasta el año 2000. Combina formación técnica, estudios lingüísticos, trabajo industrial y vida familiar.
- Década de 1990
Formación técnica y lingüística
Cursa un Higher National Certificate en Oldham College, se licencia en Estudios Hispánicos y Estudios Ingleses y completa un Diploma en Traducción en la Universidad de Salford.
- Década de 1990
Ingeniería industrial y cogeneración
Trabaja en entornos industriales y participa con Rolls Royce Industrial and Marine en proyectos de cogeneración eléctrica en Huelva y Tierra del Fuego, Argentina.
- 1997
Comienza la relación profesional continuada con Asia
A través de B.I Corporation inicia una relación profesional de largo recorrido con Japón y China. Desde entonces realiza estancias prolongadas en ambos países prácticamente todos los años.
- 2000
Regreso a Valencia
Después de once años en el Reino Unido, regresa a Valencia y desarrolla la actividad europea de B.I Corporation bajo la estructura de B.I Europa.
- 2005
Nacimiento de Pangeanic
Una reorganización y adquisición amistosa dan lugar a Pangeanic, concebida como una empresa capaz de combinar servicios lingüísticos, automatización, investigación y tecnología propia.
- 2008–2016
PangeaMT, corpus y traducción automática estadística
Pangeanic desarrolla motores propios, trabaja con Moses, acumula grandes volúmenes de datos paralelos y convierte las memorias de traducción en activos para entrenamiento y adaptación.
- 2012
Gouria y el Proyecto Malima
Viaja como voluntario al norte de Camerún, instala equipos informáticos, ayuda a organizar una biblioteca y colabora con la escuela del Proyecto Malima. También crea la página de Wikipedia dedicada a Gouria.
- 2016
iADAATPA
Concibe y redacta la primera propuesta europea ganada por Pangeanic. Everis asume la coordinación nominal por su experiencia administrativa, mientras Pangeanic impulsa la visión tecnológica.
- 2017
Transición hacia redes neuronales
Pangeanic comienza a trasladar su experiencia en corpus, adaptación y evaluación desde la traducción estadística hacia modelos neuronales.
- 2018
NEC TM
Impulsa una infraestructura europea para recopilar, organizar y reutilizar memorias de traducción generadas por instituciones públicas.
- 2019
NTEU
El trabajo europeo avanza hacia motores neuronales, corpus y recursos para las lenguas oficiales de la Unión Europea.
- 2019
Nueva etapa personal
Contrae matrimonio con Ana B. Fernández.
- 2020
MAPA
Pangeanic lidera una línea de trabajo europea dedicada a la anonimización multilingüe de documentos administrativos y jurídicos.
- 2022
European Language Equality
Participa en European Language Equality y es coautor de Technology Deep Dive: Machine Translation, centrado en el futuro de la traducción automática y la igualdad lingüística digital.
- 2023–2024
LLM, RAG y transformación del lenguaje
Publica y participa en análisis sobre las diferencias entre traducción neuronal y grandes modelos de lenguaje, RAG, alucinaciones y adaptación empresarial.
- 2024
Language Is No Longer Human
Publica en MultiLingual una reflexión sobre cómo la inteligencia artificial está cambiando la producción, traducción y circulación del lenguaje.
- 2024–2026
Modelos especializados, alineación e IA soberana
Su trabajo se concentra en datos para IA, evaluación, modelos especializados, anonimización, alineación multilingüe y sistemas desplegados bajo control de empresas e instituciones.
Dos espacios, dos funciones
Manolito.info y Pangeanic
Esta página forma parte de Manolito.info, el espacio personal de Manuel Herranz para publicar análisis, recuerdos, reflexiones y opiniones sobre inteligencia artificial, lenguaje, tecnología, historia y sociedad.
Manolito.info no sustituye a la página corporativa de Pangeanic ni pretende actuar como canal oficial de la empresa. Su función es distinta.
La página de Pangeanic presenta su trayectoria como fundador y CEO, su actividad profesional, los productos de la compañía, sus proyectos de investigación y su papel en el desarrollo de soluciones de inteligencia artificial multilingüe.
Manolito.info permite explicar la trayectoria que rodea ese trabajo: Manchester, la ingeniería industrial, Tierra del Fuego, Japón, China, Gouria, la familia, las ideas que han evolucionado durante décadas y las experiencias que normalmente quedan fuera de una biografía empresarial.
Ambos espacios se complementan. Uno documenta una responsabilidad corporativa. El otro conserva una voz personal.
Perfil profesional
Manuel Herranz en Pangeanic
Trayectoria corporativa, actividad profesional, publicaciones, investigación y papel como fundador y CEO.
Archivo personal
Artículos de Manuel en Manolito.info
Análisis y ensayos personales sobre inteligencia artificial, lenguaje, datos, historia, tecnología y sociedad.
Perfiles públicos y archivo documental
Fuentes y referencias
Los enlaces siguientes permiten consultar publicaciones, intervenciones, perfiles académicos y fuentes relacionadas con la trayectoria descrita en esta biografía.
Pangeanic
Perfil profesional y actividad corporativa.
Trayectoria profesional, actividad y publicaciones.
Google Scholar
Publicaciones académicas, coautorías y citas.
MultiLingual
Artículos, entrevistas y contribuciones sobre tecnologías del lenguaje.
LocWorld
Participaciones y conferencias en la comunidad internacional de localización.
SlideShare
Presentaciones históricas sobre traducción automática y tecnologías lingüísticas.
Wikipedia
Historia general, proyectos y evolución de Pangeanic.
Gouria
Referencia sobre la localidad camerunesa y el Proyecto Malima.
European Language Equality
Informes sobre igualdad lingüística y traducción automática en Europa.
Barcelona Supercomputing Center
Caso de uso sobre datos, evaluación y alineación multilingüe.
Proyectos europeos
Actividad de Pangeanic en inteligencia artificial y tecnologías lingüísticas financiadas por la Unión Europea.
Crónicas de Camerún
Relatos personales sobre Gouria y el Proyecto Malima.
Una trayectoria abierta
Ingeniería, lenguaje y criterio
La vida profesional de Manuel Herranz no responde a una línea recta. Avanza por acumulación.
La ingeniería aportó una cultura de sistemas, control y responsabilidad. Manchester añadió una formación entre lenguas, industria y vida británica. Tierra del Fuego y Huelva mostraron qué significa trabajar con infraestructuras que deben seguir funcionando bajo presión. Japón y China ampliaron la perspectiva cultural y empresarial. Gouria devolvió la tecnología a su medida más humana.
Pangeanic reunió después estas experiencias alrededor de un problema que continúa abierto: cómo convertir lenguaje, conocimiento y datos en sistemas útiles sin perder precisión, contexto ni capacidad de decisión.
La traducción automática fue una primera frontera. Después llegaron las redes neuronales, los grandes modelos de lenguaje, la alineación y los agentes. Cada generación tecnológica ha ampliado lo posible y ha creado nuevas dependencias.
Manuel sigue defendiendo una idea sencilla: una organización debe comprender los sistemas que utiliza, conservar el control sobre sus datos y poder medir el comportamiento de sus modelos.
La inteligencia artificial será cada vez más abundante. El criterio seguirá siendo escaso.
Seguir leyendo
Artículos, investigación y trabajo profesional
Puede continuar explorando los artículos personales de Manuel Herranz o consultar su actividad profesional y tecnológica en Pangeanic.