Los trabajadores invisibles que enseñan a las IA y lo que eso revela

La inteligencia artificial no aprende sola

Aunque los modelos conversacionales parecen autónomos, su entrenamiento depende en gran medida de personas que corrigen, etiquetan y califican sus respuestas. Un informe reciente de DiPLab y Reversing.Works documenta cómo miles de colaboradores europeos realizan este trabajo a través de Outlier, una plataforma vinculada a Scale AI. En junio de 2025, Meta adquirió el 49% de Scale AI por 12.400 millones de euros, lo que colocó a Alexandr Wang como director de IA en la compañía de Mark Zuckerberg; antes de esa operación, Outlier ya ofrecía servicios para organizaciones como OpenAI y Google.

Quiénes son y cómo trabajan

La mayoría de estas personas son jóvenes y con formación superior: más de la mitad tienen menos de 30 años y casi todos cuentan con un título universitario o un posgrado. Para muchos, la plataforma es una fuente principal de ingresos: el informe indica que entre el 70% y el 100% de los encuestados dependen de Outlier para vivir. El salario medio reportado en la plataforma es de 1.214 euros al mes, aunque la variabilidad es grande: hay colaboradores que superan los 4.000 euros mensuales y otros que apenas llegan a 100 euros, dependiendo del tipo de tareas y del tiempo dedicado.

El equipo de investigación habló con 35 colaboradores en 12 países europeos y analizó datos de tráfico para entender mejor las prácticas de la plataforma.

Qué hacen exactamente: tareas, criterios y formato

Las tareas que realizan no suelen ser complejas desde el punto de vista técnico, pero sí requieren juicio y atención. Una actividad habitual consiste en comparar las respuestas de dos modelos a la misma instrucción: el evaluador revisa el historial de la conversación, determina cuál respuesta es mejor según criterios predefinidos (acomplimiento de la instrucción, veracidad, tono, formato) y justifica su selección. También hay encargos de escribir textos modelo, describir imágenes o generar prompts.

Aunque estas labores eran antes remuneradas con tasas muy bajas (céntimos por tarea), la profesionalización del trabajo de anotación ha elevado algo la remuneración y ha añadido requisitos de verificación y de calidad.

Vigilancia y datos: qué recopila la plataforma

Una de las revelaciones centrales del informe es la extensión del acceso de la plataforma a datos personales y de actividad. Outlier integró herramientas de terceros con capacidad de seguimiento del navegador y monitorización del trabajo: se encontró uso de FullStory para capturar movimientos del ratón, clics y reconstruir interacciones en la pantalla, así como la presencia de la app de verificación Persona para la autenticación biométrica.

Según los investigadores, el rastreo puede incluir pulsaciones de teclado, movimientos del ratón y capturas de pantalla. Aunque Outlier no puede, en teoría, usar FullStory para seguir a un usuario fuera de su dominio, la existencia de empresas externas con acceso a los mismos rastros abre la posibilidad —no probada por ahora— de correlacionar actividades entre distintas webs que empleen la misma herramienta.

Varios colaboradores admitieron no haber sido informados en detalle sobre la extensión de esa recogida de datos. Algunos aceptaron requisitos de verificación de identidad, como subir el documento nacional o escanear la cara mediante Persona, sin recibir explicaciones completas sobre el uso o la retención de esos datos.

Condiciones laborales: precariedad con apariencia de flexibilidad

El modelo de trabajo por encargo ofrece flexibilidad, pero también precariedad. La plataforma atrae a personas formadas que buscan ingresos extra o empleo principal; sin embargo, la dependencia económica, la variabilidad de pagos por tarea y la ausencia de garantías laborales estabilizadas convierten a muchos colaboradores en trabajadores vulnerables.

El informe subraya que, a pesar de la cualificación, las condiciones de protección de datos y de empleo pueden ser deficientes. Algunos colaboradores eran conscientes de que las protecciones no eran óptimas; otros se sorprendieron al conocer el alcance real de la monitorización. Esta tensión entre la percepción de trabajo calificado y la realidad de supervisión intensa es una de las claves del estudio.

Actores y responsabilidades: plataformas, integradores y compradores

Outlier se presenta como intermediaria entre empresas que desarrollan modelos y una comunidad masiva de evaluadores: su propia web indica más de 900.000 “expertos” registrados en 52 países y pagos superiores a 600 millones de dólares. Reversing.Works y DiPLab, que publicaron el informe, combinan investigación sociológica y técnicas de ingeniería inversa para documentar prácticas que a menudo son opacas.

Scale AI, ahora en parte bajo control de Meta, no contestó a las preguntas de los investigadores ni del medio original. La cadena de responsabilidad —desde la herramienta de gestión de tareas hasta las firmas que contratan modelos— complica saber quién es responsable de salvaguardar la privacidad y las condiciones laborales.

Implicaciones regulatorias y qué significa para América Latina

Aunque el estudio se centra en Europa, sus hallazgos tienen resonancia global. En la Unión Europea, los resultados podrían alimentar discusiones regulatorias sobre protección de datos, transparencia en la cadena de suministro de IA y derechos laborales de los colaboradores de plataformas. Para América Latina, hay lecciones importantes: en la región existe una gran población de profesionales y trabajadores digitales que participan en la gig economy, y muchas empresas locales y globales contratan talento remoto para anotación y evaluación de datos.

Las prácticas documentadas —verificación biométrica extensa, seguimiento detallado de la actividad y dependencia económica del trabajo por tarea— plantean preguntas que gobiernos y empresas latinoamericanas tendrán que considerar. Políticas de privacidad claras, contratos que definan condiciones laborales y transparencia sobre el uso de datos biométricos y de actividad deberían ser parte de ese debate.

Conclusión: transparencia como mínimo exigible

El informe de DiPLab y Reversing.Works pone en primer plano a los trabajadores humanos que hacen posible el funcionamiento de los modelos de IA actuales. Su trabajo, a menudo invisible, está expuesto a prácticas de vigilancia y a condiciones económicas inestables. La compra parcial de Scale AI por Meta refuerza la necesidad de examinar cómo empresas tecnológicas integran estas plataformas en cadenas de producción de IA y qué garantías ofrecen a las personas que las alimentan.

Para responsables de políticas, líderes empresariales y profesionales en América Latina, los hallazgos son una llamada de atención: la promesa de la IA no debería construirse sobre la opacidad y la precariedad. Requisitos mínimos de transparencia en la recolección de datos, límites a la vigilancia y condiciones laborales dignas son medidas que pueden proteger tanto a las personas como la integridad de los sistemas que la sociedad está adoptando.