El trabajo que ayuda a la IA a acabar con el trabajo

Todos los días, Mercor, una empresa emergente que vende datos de entrenamiento a empresas de inteligencia artificial, le paga a 30.000 contratistas más de 4 millones de dólares para que ayuden a que sus trabajos, y los de sus colegas, queden obsoletos.

Se trata de un trabajo por encargo, pero para profesionales con habilidades muy específicas. Una publicación reciente de Mercor ofrecía 225 dólares por hora a un actor de voz que pudiera mantener un personaje de servicio al cliente con fluidez en hebreo. Otra buscaba a un físico con doctorado especializado en relatividad general, astrofísica o cosmología. Una tercera oferta buscaba a un médico con más de tres años de experiencia en el sistema de atención primaria de Ruanda.

Mercor y un puñado de empresas emergentes similares son los principales intermediarios en una cadena de suministro de "datos humanos" que podrían impulsar la próxima generación de IA. A medida que OpenAI, Anthropic y otras grandes empresas compiten por convertirse en la plataforma dominante de la industria, el mercado de datos de alta calidad que han revisado expertos está en plena expansión.

Las empresas de IA ya no necesitan ejércitos de trabajadores mal pagados, a menudo en el extranjero, para realizar tareas repetitivas como etiquetar imágenes de autos o transcribir audios. Necesitan matemáticos para corregir pruebas, abogados para revisar escritos y profesores para calificar ensayos. Eso es lo que ofrecen Mercor y sus competidores. En la jerga de la industria, el etiquetado de datos ha subido en la "cadena de valor" y las empresas emergentes que ofrecen este servicio son las que más rápido han crecido en Silicon Valley.

Mercor, fundada en 2023, anunció en octubre una ronda de financiamiento con una valoración de 10 mil millones de dólares; el jueves, Bloomberg informó que la empresa está negociando actualmente con inversionistas un acuerdo por el doble de ese monto. El año pasado, Meta invirtió más de 14 mil millones de dólares en otra empresa de entrenamiento de datos, Scale AI, en parte para contratar a su director ejecutivo. Handshake, una empresa emergente de reclutamiento que cambió su enfoque hacia el entrenamiento de datos en 2025, afirma que su tasa de ingresos anualizados superó los mil millones de dólares en abril, frente a los 550 millones de dólares registrados a principios de año.

Estas empresas emergentes de entrenamiento de datos están aprovechando una oportunidad de mercado: vender a laboratorios con gran capital un producto para el que ahora existe una demanda casi ilimitada. Pero es un momento delicado. Las empresas emergentes de entrenamiento necesitan que ChatGPT, Claude y otros modelos de IA lanzados por sus clientes sigan mejorando, para demostrar que están aportando valor; también necesitan que los modelos sigan siendo imperfectos para que esos clientes sigan regresando en busca de más datos.

Podría suceder que, una vez que OpenAI, Anthropic y otras empresas hayan enseñado a los modelos a realizar una tarea determinada, la necesidad de más datos de entrenamiento en esa área disminuya drásticamente. De esta manera, Mercor, Scale, Handshake y sus pares se parecen mucho a los freelancers de élite que ellos mismos contratan: ganan dinero hoy, pero corren el riesgo de que los hagan a un lado mañana.

A las empresas emergentes les encantaría diversificar su negocio para depender menos de unos pocos clientes importantes. Por ahora, una forma en que buscan mantener el impulso es adentrándose en un nuevo y complicado ámbito. En lugar de limitarse a capturar el trabajo de individuos (el actor de voz que habla hebreo, el médico ruandés), están tratando de capturar la producción de empresas enteras. Brendan Foody, el director ejecutivo de Mercor, de 23 años, me dijo que este era "el cuello de botella para que un laboratorio de vanguardia automatizara todo lo que hace la gente".

El jueves, anunció la adquisición de Deeptune, una empresa emergente que crea "ambientes de aprendizaje" con simulaciones de programas de software, como Slack y Salesforce, entre los que muchos trabajadores alternan todo el día para realizar su trabajo. La idea es crear minuciosamente una imagen especular de, digamos, un banco de inversión, para que la IA pueda observar cada interacción.

"Una persona hará el papel del cliente, las demás interpretarán el papel de los banqueros de inversión y construirán esto de manera que coincida de la manera más fiel posible con la distribución exacta", explicó Foody. En teoría, la IA podrá entonces responder a una pregunta profunda: "Por ejemplo, ¿qué es lo que hacen en Goldman Sachs?"

No hace falta decir qué es lo que les espera a los trabajadores de Goldman después.

¿Por qué la gente participaría en alimentar la trituradora de la IA con sus propias carreras profesionales? La gente se inscribe en trabajos de entrenamiento de datos por diversas razones. La principal es, por supuesto, el dinero. Este trabajo no es glamoroso, pero tiene mucha demanda, que es más de lo que se puede decir de muchos empleos, especialmente en sectores en decadencia como el académico. Aunque el trabajo es impredecible y las tarifas varían --a veces a las personas solo se les paga si un supervisor aprueba el resultado--, los trabajadores que logran juntar suficientes turnos pueden generar un ingreso significativo.

La gente puede inscribirse porque la han despedido o porque no encuentra suficiente trabajo en su campo. Tal vez lo hagan porque están ansiosos por incluir "IA" en su currículum; porque necesitan dinero extra para su jubilación o incluso porque realmente creen en el potencial de la IA y quieren ser parte de la mejora de los modelos. Muchas personas que trabajan como contratistas para estas empresas entienden que se trata de una oportunidad a corto plazo, una breve oportunidad para entrenar los modelos con el fin de automatizar trabajos antes de que ellos mismos queden desplazados por la automatización del trabajo de entrenar modelos.

Para Amanda Brown, profesora adjunta de biología en la Universidad Estatal de Tarleton en Texas, los trabajos de medio tiempo en plataformas como Mercor y Handshake parecían al principio una forma sencilla de ganar dinero extra el verano pasado mientras no daba clases. Algunas tareas ofrecían 60 dólares la hora, lo cual sonaba atractivo, y a ella le interesaba aprender más sobre los modelos, especialmente porque sus estudiantes usan la IA todo el tiempo.

La experiencia "se fue al traste bastante rápido", dijo Brown. Comenzó a verse obligada a participar en reuniones virtuales obligatorias y a trabajar hasta las 2 de la madrugada para cumplir con los plazos. Se sintió frustrada con los trabajos que pagaban una tarifa fija pero que le tomaban mucho más tiempo de lo previsto. El gerente de Handshake le dijo vagamente que su trabajo no era lo suficientemente bueno; le pareció "desmoralizante". Realizó los trabajos de manera intermitente hasta diciembre.

"Parece dinero fácil", dijo. "Pero en realidad no lo es".

Parte del reto, dijo Brown, fue que en solo unos meses notó mejoras rápidas que hacían más complicado encontrar cosas que los modelos de IA aún no supieran, lo que dificultó aún más sus turnos. Este verano, encontró un trabajo como profesora.

Quería ver cómo eran las empresas emergentes de entrenamiento de datos y Mercor me invitó a su oficina de San Francisco para un recorrido y una entrevista en persona con Foody. Luego, la revista New York publicó un reportaje titulado "Los científicos y abogados despedidos que entrenan a la IA para que después les robe sus carreras", que pintaba un panorama desgarrador del trabajo inestable, incongruente y emocionalmente agotador que ofrecía Mercor. "Nunca, jamás, me han tratado tan mal como aquí", le dijo un contratista a la revista. Mercor canceló mi visita. (Más tarde, la empresa permitió que Foody participara en una breve entrevista por Zoom).

Una queja común en los canales de Discord y los hilos de Reddit donde se reúnen los contratistas es que el trabajo de entrenamiento de IA se ha agotado en los últimos meses; es decir, una vez que un grupo de expertos les enseña a los modelos cómo hacer algo, sus servicios ya no se necesitan de la misma manera. Algunos de los trabajadores independientes con los que hablé me dijeron que, en el último año, el trabajo se había vuelto significativamente más complejo. Sommer Wall, una abogada que ha trabajado como contratista para Mercor, dijo que a veces dormía una siesta en el sofá durante jornadas de 72 horas para cumplir con los plazos de los proyectos más intensos.

Los contratistas insatisfechos --muchos de ellos profesionales corporativos con amplia experiencia-- han emprendido acciones legales alegando que Handshake, Scale, Surge AI y otras empresas emergentes de entrenamiento de datos los están clasificando erróneamente, pagándoles menos de lo debido o explotándolos de alguna otra forma. Tras una filtración de datos esta primavera, Mercor enfrentó al menos siete demandas de contratistas que afirmaron que su información personal había quedado expuesta. (La mayoría de los casos siguen en curso.)

Por muy polémico e incluso tóxico que pueda ser el trabajo, es probable que pronto muchas más personas se vean orilladas a estos trabajos independientes, incluso si se cumplen algunas de las predicciones sobre la pérdida de empleos por la IA. La confianza en el mercado laboral ya se ha desplomado, incluso entre las personas con alto nivel educativo: solo una quinta parte de los trabajadores con estudios universitarios dijo que ahora era un buen momento para encontrar un empleo de calidad, según una encuesta reciente de Gallup.

Lo quieran o no, los profesionales especializados que iniciaron sus carreras esperando una remuneración y un prestigio de primer nivel pueden encontrarse ahora entre la multitud de contratistas. Mercor busca personas con "sólidas credenciales académicas (maestrías, doctorados en derecho, doctorados en medicina, etc.) de las mejores universidades". Handshake, tal vez consciente de los egos de los académicos, denomina sus oportunidades de etiquetado de IA como una "beca" y busca, según una de sus ofertas, "estudiantes de maestría y doctorado, candidatos y graduados excepcionales". El laboratorio de Elon Musk, xAi, que incursiona en la capacitación interna, ha buscado escritores que hayan vendido 50.000 ejemplares de una novela o publicado 10 cuentos en revistas de élite para un trabajo con un salario inicial de 40 dólares la hora. Una oferta reciente de Surge buscaba personas con una "calidad de consultoría de primer nivel" para "captar el razonamiento propio de un socio".

"Si quieres adaptarte y no ser reemplazado, tendrás que adoptar estas habilidades y este conocimiento para destacar en tu trabajo", dijo Jonathan Stull, director de operaciones de Handshake. Esta primavera, sentado en una gran mesa de madera en una sala de conferencias de la sede de su empresa en San Francisco, argumentó que la mayoría de los trabajos de oficina pronto implicarán dar retroalimentación a los modelos de IA. Según su lógica conclusión, esta es una visión del trabajo en la que incluso los empleados de alto nivel automatizan sistemáticamente casi todas las tareas que realizan, hasta que lo único que les queda por hacer es entrenar a la IA.

Handshake espera ganar miles de millones de dólares acelerando ese futuro. En la sala de conferencias, Stull y el jefe de investigación de la empresa, Paco Guzmán, explicaron cómo se transfiere la información de las mentes de los profesionales a los modelos. Handshake no revela qué laboratorios de IA cuenta entre sus clientes, pero en los últimos meses ha dado a conocer colaboraciones con Google y OpenAI.

En términos generales, los modelos se desarrollan de dos maneras: mediante el preentrenamiento y el posentrenamiento. El primero es lo que mucha gente imagina cuando piensa en cómo aprende la IA: absorbiendo la colección estructurada de textos e información de Internet. Pero ni siquiera un rastreo completo de la web logrará reunir la totalidad del conocimiento humano. A la IA le resulta cada vez más difícil acceder a información de calidad, ya que diversas empresas han restringido el acceso a su contenido. (El New York Times ha demandado a OpenAI y a Microsoft, alegando violación de derechos de autor; las empresas niegan las acusaciones).

Para seguir mejorando sus modelos --con el fin de que sean más útiles, más sofisticados y menos propensos a las alucinaciones y los errores--, las empresas de IA refinan en gran medida los datos que incorporan. Eso es el posentrenamiento e incluye la compra de datos a proveedores como Handshake y sus competidores.

En Handshake, un "colaborador" puede pasar un turno recopilando ejemplos detallados y soluciones a problemas que podría encontrar en su área de especialización o señalar cuál de dos respuestas a una consigna dada es mejor. Cuando una consigna no tiene una respuesta objetivamente correcta --por ejemplo, cuando el trabajo que aparece en pantalla no es un problema de matemáticas, sino un ensayo--, los evaluadores pueden calificar las respuestas según una rúbrica. ¿El ensayo tiene una estructura clara? Si es así, se le puede otorgar un cierto número de puntos. ¿El ensayo utiliza una gramática adecuada? Eso también podría aumentar su calificación.

Antes de entregar los datos de entrenamiento a un cliente, explicó Guzmán, Handshake realiza un control de calidad, revisando los datos y utilizando herramientas automatizadas para evaluar si los contratistas podrían haber plagiado o utilizado IA para completar su trabajo. (Sí, está prohibido que los entrenadores usen IA para mejorar la IA.) Luego, Handshake envía a sus clientes una base de datos con cientos o miles de valores, que contiene la consigna original, la mejor respuesta y diversos metadatos.

A veces, los clientes se acercan a Handshake con algo que necesitan y depende de los equipos de operaciones e investigación de Handshake averiguar cómo entregarlo.

"¿Cómo se estructura esto?", dijo Stull. "¿Cómo se encuentra a las personas adecuadas? ¿Cómo las incorporamos? Tenemos que pagarles, tenemos que evaluarlas, tenemos que confiar en ellas".

Y a veces, Handshake se acerca a los clientes y los convence de que necesitan algo --por ejemplo, demostrándoles en qué aspectos se quedan cortos sus modelos actuales--.

Durante mi visita, Handshake estaba trabajando en lo que denominaba un "benchmark para banqueros" --en esencia, una prueba estandarizada para evaluar si un modelo de IA podía realizar las tareas que se esperan de un humano que trabaja en el sector financiero--. Guzmán proyectó un documento extenso y detallado en una pantalla grande. La prueba de referencia incluía un escenario de juego de roles dirigido a un modelo de IA: "Eres un banquero de inversión junior", comenzaba la sección de instrucciones, planteando una situación en la que un director general le pide a un subordinado un informe sobre un cliente. La siguiente sección mostraba un "resultado ideal" y otra sección enumeraba unos 90 criterios ponderados para evaluar si el modelo resolvió los problemas correctamente.

"No solo estamos verificando su respuesta, sino que, a lo largo del proceso, realmente tomaron las decisiones correctas", dijo Guzmán. El modelo debe mostrar su razonamiento, no solo dar la solución. Los contratistas humanos, señaló, dedicaron muchas horas a armar meticulosamente el contenido de la prueba de referencia. En teoría, un modelo de IA que obtiene una puntuación alta está listo para asumir el trabajo de un banquero.

Las empresas emergentes de entrenamiento de datos ven una oportunidad lucrativa en recrear lugares de trabajo en miniatura: entornos controlados en los que los trabajadores independientes pueden evaluar y reproducir correos electrónicos, memorandos y presentaciones de diapositivas en su contexto. La información que surge de tal configuración, según se jactan las empresas, ayudará a reducir la brecha entre lo que los modelos de IA pueden lograr y lo que los trabajadores de oficina realmente hacen de un momento a otro, a medida que las ideas y las instrucciones fluyen entre reuniones, documentos y aplicaciones.

Scale, por ejemplo, ha afirmado que "nuestros entornos replican los flujos de trabajo del mundo real" y que sus contratistas "seleccionan elementos que capturan la complejidad, la ambigüedad y los casos extremos del trabajo profesional real".

Los ejecutivos ven las deficiencias de los modelos como una señal de que aún les queda mucho por hacer.

"Uso Claude Cowork con frecuencia, ¿verdad?", dijo Edwin Chen, fundador de Surge. "Y aunque Claude Cowork es increíblemente inteligente, muchas veces no entiende del todo los matices de Slack. No entiende del todo esa pregunta ambigua que tengo. No entiende del todo dónde ir para encontrar ese documento de Google".

Según el Índice de Multimillonarios de Bloomberg, la participación de Chen en Surge --y su visión de en qué podría convertirse-- lo convierte en la persona número 258 más rica del mundo.

"A menudo pienso en nosotros, en esencia, como una especie de escuela para la IA general (AGI)", dijo Chen, refiriéndose a un nivel profetizado de IA que supera la inteligencia humana. "La IA llega a nosotros y aprende a dirigir el mundo". Él y sus clientes en los grandes laboratorios de IA, dijo, están diseñando el plan de estudios.

Chen, quien se autodefine como una especie de pensador en una industria de comerciantes, reflexionó sobre si "la educación seguirá existiendo" en el futuro o si la gente simplemente se pasará todo el día viendo videos de IA en sus teléfonos como entretenimiento. Pero sostiene que su empresa está creando empleo remunerado, además de ayudar a generar algún día colaboradores de IA que no reemplazarán los trabajos, sino que asistirán a los trabajadores del conocimiento a ser más productivos.

Predice que los intelectuales acabarán por aceptar el reto intelectual que supone entrenar y mejorar la IA y lo considerarán una nueva trayectoria profesional que será "una de las más prestigiosas e influyentes" de la sociedad.

Los ejecutivos con intereses directos insisten en que la demanda de capacitación continuará indefinidamente, pero otros no están tan seguros.

"A medida que los sistemas de IA mejoren, habrá menos necesidad de maestros humanos para la IA", dijo Anton Korinek, economista de la Universidad de Virginia que acaba de iniciar una licencia de un año para trabajar en Anthropic. "Tanto la importancia de ese tipo de datos posteriores al entrenamiento en general, como el crecimiento de las empresas que se especializan en eso, podrían disminuir un poco".

En cuanto a la predicción de que la mayoría de los empleados de oficina realizarán algún tipo de entrenamiento de datos, Korinek dijo que le parecía demasiado general. "Suena un poco como decir que, en el futuro, todos los empleados de oficina serán profesores", señaló. "¿Por qué sería eso cierto?"

El concepto de inteligencia artificial implica la eliminación del ser humano. Incluso su nombre sugiere la idea de que la máquina hace lo suyo, sin necesidad de humanos. Pero, al menos hasta ahora, un gran número de personas está desempeñando un papel intenso y activo en el desarrollo de esa inteligencia.

"La máquina está ocultando lo que hacen los humanos", señaló Margaret O'Mara, historiadora de Silicon Valley en la Universidad de Washington. Ella se cuida de no sobreestimar ni la inteligencia humana ni la de las máquinas. No solo los modelos podrían quedarse sin datos para entrenarse, sino que los humanos podrían quedarse sin ideas que aportarles. Esta gran transferencia de conocimiento de los humanos a las máquinas "está ocurriendo en un momento en que se está reduciendo la experiencia humana debido a la IA", agregó.

La industria podría simplemente perder impulso antes de que logre transformar la sociedad. "Vale la pena no dar por hecho que esto es lo que va a suceder", dijo O'Mara, "porque así es como estas empresas nos dicen que va a ser".

Las empresas emergentes están pagando a profesionales de oficina para que enseñen sus trabajos a modelos de inteligencia artificial. Es una mina de oro. Es desolador. ¿Dónde terminará todo esto? (Marta Cerdà/The New York Times)

Los fundadores de la empresa, de izquierda a derecha: Adarsh Hiremath, Brendan Foody y Surya Midha en las oficinas de Mercor en San Francisco el 29 de julio de 2025. (Carolyn Fong/The New York Times)