Cuando la gente oye “entrenar una IA”, suele imaginar un laboratorio futurista lleno de doctores en matemáticas y servidores brillando en la oscuridad. Pero una parte enorme del trabajo real se parece más a una cadena de montaje globalizada: miles de personas clasificando imágenes, leyendo textos, corrigiendo respuestas, filtrando violencia extrema o etiquetando emociones durante horas por salarios muy bajos. Y casi siempre lejos de donde están las empresas que luego venden la IA como “mágica”.
Empresas como OpenAI, Google, Meta o Microsoft no hacen todo ese trabajo directamente con empleados propios. Muchas veces subcontratan a intermediarios especializados en “data labeling” o moderación de contenido. Ahí aparecen compañías como Scale AI, Sama, Appen o Telus International AI. El esquema recuerda bastante al de la industria textil: las marcas más valiosas controlan el producto final y el marketing, mientras el trabajo duro y repetitivo se externaliza a países donde la mano de obra es barata.
¿Dónde trabaja esta gente? Muchísimo desde Kenia, India, Filipinas, Venezuela, Colombia, Nigeria o incluso zonas rurales de Europa del Este. También hay freelancers dispersos por todo el mundo haciendo microtareas desde casa. Algunas personas cobran relativamente bien para el estándar local; otras no llegan ni de lejos a un sueldo digno. Se han documentado casos de trabajadores cobrando entre 1 y 3 dólares por hora para tareas psicológicamente durísimas.
Y aquí viene la parte que suele dejar más incómoda a la gente: gran parte del trabajo consiste en mirar lo peor de internet para que la IA aprenda a reconocerlo y evitarlo. Violencia, abusos sexuales, discursos de odio, tortura, autolesiones. Personas pasando ocho horas diarias etiquetando contenido traumático para que luego un chatbot pueda responder con tono amable y “seguro”. Algunos trabajadores de moderación han contado síntomas parecidos al estrés postraumático.
Otra parte del trabajo es más gris pero igual de alienante: evaluar respuestas una y otra vez. “¿Esta respuesta parece útil?”, “¿Suena ofensiva?”, “¿Es más amable la opción A o la B?”. Miles y miles de decisiones diminutas convertidas en datos. El problema es que mucha gente imagina la IA como una inteligencia autónoma, cuando en realidad está llena de trabajo humano comprimido y oculto detrás de una interfaz elegante. Hay quien llama a esto “ghost work”, trabajo fantasma. El usuario habla con una máquina, pero detrás hay millones de microcorrecciones humanas invisibles.
Lo irónico es que buena parte de estas tareas tienen una lógica casi preindustrial: repetición extrema, vigilancia constante de productividad, pago por pieza, escasa protección laboral y reemplazabilidad total. Solo que en vez de fabricar tornillos, fabricas “inteligencia”. Es una especie de taylorismo digital. La Revolución Industrial pero con dashboards, métricas algorítmicas y contratos freelance.
Y eso conecta con la gran contradicción económica y política del asunto. Durante décadas se decía que la automatización eliminaría primero los trabajos manuales y dejaría relativamente a salvo los empleos creativos o intelectuales. Lo que está ocurriendo ahora rompe parcialmente esa idea: abogados junior, traductores, diseñadores, programadores principiantes, redactores o analistas ven cómo parte de sus tareas se automatizan usando sistemas entrenados gracias a trabajadores precarios del Sur Global.
Hay algo muy fuerte ahí: personas cobrando salarios bajísimos para entrenar herramientas que luego podrían reducir oportunidades laborales de personas con salarios mucho más altos en oficinas occidentales. Es como si el trabajo precario se utilizara para fabricar la automatización del trabajo de cuello blanco.
A largo plazo eso puede generar varios efectos bastante feos si no hay regulación seria.
Uno es una concentración brutal de poder. Entrenar modelos avanzados requiere capital gigantesco, centros de datos y acceso masivo a trabajo humano barato. Eso favorece a muy pocas empresas. Si unas pocas compañías controlan la infraestructura cognitiva —traducción, escritura, búsqueda, programación, atención al cliente— terminan teniendo un poder parecido al de las grandes petroleras o ferroviarias de otros siglos.
Otro efecto es el vaciamiento del empleo intermedio. No necesariamente desaparece todo el trabajo, pero sí muchas tareas de entrada. Antes un junior aprendía haciendo trabajos rutinarios; ahora esos trabajos los hace la IA. El problema es: ¿de dónde salen entonces los futuros seniors? Si eliminas los escalones inferiores, rompes la escalera profesional.
También puede aparecer una economía laboral partida en dos: una élite muy bien pagada que diseña y controla sistemas, y una masa global de microtrabajadores invisibles corrigiendo algoritmos por centavos. Ya está pasando parcialmente en plataformas de etiquetado y crowdwork.
Y luego está la cuestión psicológica y cultural. Mucha tecnología se vende como “inteligente” cuando en realidad depende muchísimo de trabajo humano oculto. Eso produce una ilusión peligrosa: pensar que la IA surge sola, casi como una fuerza natural inevitable, cuando detrás hay decisiones empresariales, explotación laboral, sesgos culturales y jerarquías económicas muy humanas.
No todo es apocalíptico, claro. También hay personas en países con pocas oportunidades que han encontrado ingresos relativamente estables gracias a este sector. Y hay investigadores, sindicatos y periodistas presionando para mejorar condiciones, exigir transparencia y reconocer derechos laborales en estas cadenas globales de datos. Pero el debate ya no es solo tecnológico. Es profundamente político y económico.
La pregunta de fondo es bastante incómoda: si la “economía del conocimiento” acaba dependiendo de una nueva clase global de trabajadores invisibles haciendo tareas repetitivas y emocionalmente destructivas, ¿de verdad estamos entrando en una era postindustrial… o simplemente hemos reinventado la fábrica con interfaz bonita?
No hay comentarios:
Publicar un comentario