La cara humana de la IA: quién está realmente detrás de tus modelos favoritos

IA · TRABAJO INVISIBLE · ÉTICA

En este artículo vamos a recorrer la cadena humana que sostiene a la inteligencia artificial moderna. Quiénes son estas personas, qué tareas hacen, cuánto cobran, qué precio psicológico pagan y qué responsabilidad tenemos empresas y usuarios. Si te interesa la parte técnica, esto es tan importante como entender arquitecturas o pipelines de datos, justo lo que ya comentabas en tus análisis de diseño de sistemas de machine learning.

1. No hay IA sin personas: el trabajo que no se ve

La imagen típica de la IA es la de un modelo gigantesco entrenado con “todo internet” sobre racks de GPUs. Esa parte existe, pero es solo la mitad de la historia. La otra mitad está formada por trabajadores repartidos por todo el mundo que hacen tareas como estas: leer fragmentos de texto y clasificarlos, decidir si una respuesta de la IA es útil o peligrosa, evaluar qué explicación es mejor, marcar contenido violento o abusivo, etiquetar imágenes, audios y vídeos, transcribir conversaciones o registrar datos médicos anonimizados.

La antropóloga Mary L. Gray y el científico Siddharth Suri bautizaron a este fenómeno como “ghost work”: trabajo fantasma. Personas que sostienen los servicios digitales, pero que casi nunca aparecen en la foto, ni en las notas de prensa, ni en las presentaciones a inversores. Son piezas de una cadena de producción altamente fragmentada, casi siempre subcontratada y marcada por contratos temporales, pagos a destajo y mucha opacidad en las condiciones.

Paradójicamente, cuanto más se habla de automatización total, más dependemos de una capa humana que hace que la IA parezca estable, razonable y segura. Sin esa capa, la promesa de asistentes que entienden contexto sería mucho más frágil.

2. Moderar el lado oscuro de internet para que la IA no lo repita

Una parte especialmente dura de este trabajo es la moderación de contenido tóxico. Para entrenar modelos capaces de rechazar peticiones extremas o de no reproducir discurso de odio, alguien tiene que leer y etiquetar ese contenido primero. Eso incluye descripciones de violencia extrema, abuso sexual, racismo explícito o autolesiones. Es decir, todo lo que tú no quieres ver en tu pantalla.

Investigaciones periodísticas han documentado el caso de moderadores en Kenia que trabajaron para subcontratas de grandes laboratorios de IA revisando este tipo de contenido por salarios de entre uno y dos dólares la hora. Muchos de ellos reportaron ansiedad, pesadillas, desgaste emocional severo y sensación de haber sido abandonados en cuanto el proyecto terminó. Mientras tanto, las empresas que se beneficiaban de ese filtrado multiplicaban su valoración y firmaban rondas de cientos o miles de millones.

La paradoja es brutal: cuanto más seguras y “limpias” parecen nuestras interacciones con la IA, más carga psicológica se concentra en una minoría de trabajadores que lidian con lo peor de internet para proteger al resto. Cuando se habla de “alineación” o de modelos responsables, habría que pensar también en la salud mental de esa primera línea.

3. Del microtrabajo mal pagado a los expertos que cobran 100 €/hora

No todo el trabajo humano en la cadena de IA es precario, aunque gran parte sí. En países del Sur global, muchas plataformas de microtareas pagan entre 1 y 4 dólares la hora por etiquetar imágenes, responder preguntas sencillas o clasificar textos. Son ingresos bajos incluso en contextos de crisis, y a veces llegan con retrasos, sin seguridad social y sin poder reclamar nada si la tarea se rechaza.

En cambio, en Estados Unidos y Europa han surgido plataformas de anotación “premium” que pagan 20, 40 o incluso 60 dólares la hora a perfiles especializados, por ejemplo para tareas de programación, química, medicina o derecho. Algunas empresas de entrenamiento de modelos hablan ya de tarifas de 100 a 125 dólares la hora para expertos STEM o profesionales con doctorado que ayudan a refinar modelos en áreas de alto valor. La brecha entre el anotador generalista y el experto certificado es cada vez mayor.

El patrón es claro: a medida que los modelos han exprimido el contenido genérico de internet, la ventaja competitiva está en el conocimiento especializado y bien estructurado. Esto encaja con la tendencia hacia modelos verticales y herramientas orientadas a dominios concretos, como la IA legal, la IA médica o las soluciones corporativas que comentabas en piezas como ChatGPT Business y el cerebro de la empresa.

4. De la anotación al “entrenador de valores”: qué hacen realmente los trabajadores de RLHF

Más allá de la anotación clásica, hay un tipo de trabajo que se ha puesto de moda: el de quienes participan en RLHF, el famoso “refuerzo con feedback humano”. Su día a día se parece menos a etiquetar fotos y más a corregir redacciones de un alumno muy aplicado. Reciben una pregunta y varias respuestas generadas por la IA, y tienen que ordenarlas de mejor a peor, justificar sus decisiones o reescribir la versión que consideran ideal.

Esas comparaciones alimentan un modelo de recompensa que después guía la actualización del modelo principal. En otras palabras, definen lo que la IA entiende como “útil”, “educado”, “seguro” o “profesional”. Aquí ya no solo se decide si algo está bien o mal a nivel factual, sino qué tono tiene que tener el sistema, qué temas debe evitar, cómo reaccionar ante peticiones grises. Es una capa profundamente política y cultural, aunque se presente como un proceso técnico.

Por eso, cuando se discute sobre “valores de la IA”, conviene recordar que no se trata de algo abstracto. Detrás hay grupos concretos de personas, de ciertos países y perfiles, tomando decisiones sobre qué respuestas premiar o castigar. Sus criterios acaban influyendo en cómo se comportan millones de modelos que luego se integran en buscadores, productos de oficina, herramientas de deep research o asistentes de código.

5. Una cadena de valor desigual: datos del Sur, beneficios en el Norte

Varios informes recientes describen una dinámica que se repite una y otra vez. Grandes empresas de IA en Estados Unidos o Europa diseñan modelos, captan inversión y controlan la propiedad intelectual. Parte del trabajo duro de preparación de datos y moderación se externaliza a empresas y plataformas con sedes en Kenia, India, Filipinas, Venezuela o países del Este de Europa. Allí se contrata a gente con buena formación técnica, pero con muy poco poder de negociación, que realiza tareas complejas por salarios que apenas cubren gastos básicos.

En paralelo, los beneficios y el prestigio se concentran en los centros de I+D de Silicon Valley, Londres o grandes capitales europeas. El mapa es muy parecido al de otras cadenas globales de producción, pero esta vez en lugar de fábricas textiles o minas hablamos de córtex cognitivo distribuido. Algunos investigadores lo describen como una nueva forma de “colonialismo de datos” y trabajo cognitivo a distancia.

Esto no significa que la solución sea “no usar IA”, igual que la respuesta a la deslocalización industrial no fue dejar de consumir productos. Pero sí obliga a hacerse preguntas incómodas: qué estándares laborales exigimos a las plataformas de anotación, cómo se reparte el valor que generan estos sistemas y qué papel pueden jugar regulaciones de IA y de trabajo digital. Desde la óptica empresarial, esto encaja con la conversación sobre liderazgo responsable en IA.

6. Curiosidades (y contradicciones) del trabajo invisible

La misma persona puede entrenar dos IAs rivales. Como muchas tareas se gestionan por plataformas, no es raro que un mismo trabajador haga proyectos para varias empresas a la vez. Hoy anota datos para una startup, mañana evalúa respuestas de un gigante tecnológico y pasado modera contenido para una herramienta de IA generativa de vídeo. El efecto es que el “saber hacer” humano se mueve entre modelos competidores mucho más rápido de lo que parece.

Los contratos suelen prohibir decir que trabajas en ello. Muchos anotadores firman acuerdos de confidencialidad que les impiden mencionar el nombre de la empresa final. En redes sociales ves a veces testimonios anónimos que hablan de “una gran compañía de IA” sin poder dar detalles. Eso refuerza la sensación de fantasma: sin crédito en papers, sin mención en las fichas del modelo y sin poder referenciar su experiencia de forma transparente.

Algunos de los mejores “entrenadores” son personas que nunca han pisado una gran tech. Hay anotadores con una comprensión brutal del comportamiento de los modelos, capaces de anticipar alucinaciones, detectar patrones de error y proponer prompts de prueba muy sofisticados. Pero como su trabajo se fragmenta en microtareas, rara vez se les reconoce como lo que son: ingenieros de producto informales, testers avanzados y diseñadores de experiencia de usuario encubiertos.

Cuando un piloto de IA fracasa, casi nunca miramos a la capa humana. En muchas empresas, los proyectos de IA se caen porque no se planificó bien la recogida y anotación de datos, porque no se pagó lo suficiente para conseguir buen talento o porque no se respetaron los tiempos de revisión humana. Tú mismo lo veías al analizar por qué tantos pilotos de IA fracasan: no es solo modelo o infraestructura, también es cómo gestionas el trabajo “aburrido”.

7. Qué deberían hacer las empresas que usan IA en serio

Si diriges un proyecto de IA o estás pensando en integrar modelos en tus procesos, hay varias preguntas incómodas pero necesarias. Primero, ¿sabes quién etiqueta tus datos y en qué condiciones? Segundo, ¿tienes algún criterio para elegir plataformas que respeten mínimo ciertos estándares laborales? Tercero, ¿incluyes el coste de trabajo humano continuo en tu modelo de negocio, o lo tratas como algo puntual y descartable?

Una forma práctica de empezar es mapear toda tu cadena de valor de IA como mapearías un sistema crítico: datos, proveedores, anotadores, moderadores, almacenamiento, despliegue, monitorización. Esto no va solo de ética, también de riesgo: si el proveedor clave de anotación entra en conflicto laboral o su calidad se hunde, tu modelo se resiente. Y si tu proyecto toca datos sensibles, necesitas pensar en privacidad, segregación de entornos y enfoques como el cómputo privado que analizabas en Private AI Compute.

Además, tiene sentido incorporar a parte de estos trabajadores como socios de diseño, no solo como mano de obra. Pueden ayudar a definir mejores guías de anotación, detectar sesgos tempranos y proponer casos de prueba que tus equipos internos ni siquiera habían imaginado. Igual que no lanzarías un sistema de seguridad sin hablar con expertos en ciber, no deberías escalar un modelo sin escuchar a quienes llevan meses corrigiendo sus salidas. En tu análisis sobre ciberataques con ayuda de IA ya se ve cómo una mala gestión de riesgos puede explotar por donde menos te lo esperas.

8. Y tú, como usuario, ¿puedes hacer algo?

Es fácil pensar que esto es solo cosa de grandes empresas o reguladores, pero también hay margen de acción desde el lado del usuario. Por ejemplo, siendo consciente de que esas herramientas “gratis” no lo son tanto: alguien está pagando la factura, y a menudo no solo con dinero sino también con tiempo y salud mental.

Puedes apoyar iniciativas que exigen transparencia sobre datasets y condiciones de trabajo, seguir proyectos que investigan el lado oscuro de la IA o, al menos, no caer en el discurso de “la IA lo hace todo sola”. También ayuda pensar en cómo usas tú estos modelos: tratarlos como asistentes que amplían tu criterio, no como oráculos infalibles, reduce la presión por escalar sin límites y abre espacio para diseños más centrados en las personas, como los que defendías al hablar de PCs con IA para creatividad y productividad.

Incluso los debates sobre “estancamiento” o saturación del uso de chatbots, que ya has analizado en estancamiento del engagement en ChatGPT, deberían incluir esta dimensión: quizá parte del desencanto viene de tratar la IA como un producto mágico, en lugar de como una infraestructura pública-privada sostenida por trabajo humano real.

9. Conclusión: mirar a la IA a la cara (humana)

La narrativa dominante de la IA habla de algoritmos, chips, centros de datos y modelos de última generación. Todo eso importa, y mucho. Pero si de verdad queremos entender qué significa esta tecnología para la sociedad, hay que girar la cámara y enfocarla también en quienes leen, corrigen, moderan y anotan cada día para que esos modelos funcionen.

Reconocer la cara humana de la IA no es un ejercicio de culpa, sino de realismo. Ayuda a diseñar productos mejores, a evitar que los proyectos se caigan en producción y, sobre todo, a que el futuro del trabajo digital no sea un nuevo capítulo de precariedad encubierta. Si la IA va a ser la siguiente gran infraestructura, como se suele decir, entonces los trabajadores que la mantienen no pueden seguir siendo fantasmas.

La próxima vez que un modelo te dé una buena respuesta, quizá sea un buen momento para recordarlo. Y, si quieres seguir tirando del hilo, puedes leer también tu pieza sobre asistentes de IA en noticias o tu guía de encaje producto-mercado para startups de IA, donde el factor humano vuelve a estar mucho más presente de lo que parece a primera vista.

Y si lo que te interesa es qué tareas concretas del trabajo va a cambiar la IA antes que otras, esta guía sobre el futuro del trabajo con IA lo desglosa con datos, no con titulares.