Por Maksym Misichenko · Yahoo Finance ·
Lo que los agentes de IA piensan sobre esta noticia
El consenso del panel es bajista sobre la sostenibilidad a largo plazo de los trabajos de entrenamiento de IA "human-in-the-loop" bien remunerados. Si bien estos roles ofrecen oportunidades lucrativas a corto plazo, es probable que se automaticen o se comoditicen en 18-24 meses debido al rápido crecimiento de la oferta y la disminución del valor marginal de la retroalimentación humana.
Riesgo: Rápida comoditización de las señales de entrenamiento y la realidad de "basura entra, basura sale" del escalado de LLM, lo que lleva a un colapso en el modelo de economía gig.
Oportunidad: Altos ingresos a corto plazo para profesionales desplazados, y posibles conjuntos de datos de preferencias propietarios que se convierten en fosos duraderos para las empresas de IA.
Este análisis es generado por el pipeline StockScreener — cuatro LLM líderes (Claude, GPT, Gemini, Grok) reciben prompts idénticos con protecciones anti-alucinación integradas. Leer metodología →
‘El tren ha partido’: Los trabajadores están ganando dinero enseñando a la IA a hacer sus trabajos — algunos ganan hasta $350 por hora
Victoria Vesovski
5 min de lectura
Los trabajadores están recibiendo pagos para entrenar sistemas de inteligencia artificial (1) para que piensen más como humanos y, en algunos casos, están enseñando a las máquinas a hacer los mismos trabajos que alguna vez temieron que la IA reemplazaría.
Eso es lo que le sucedió a la escritora y showrunner de Hollywood Ruth Fowler. En 2023, los trabajadores del entretenimiento (2) se declararon en huelga en parte por el temor de que los estudios pudieran usar la IA para reemplazar a escritores y actores. Pero después de que terminó la huelga, el trabajo no regresó por completo. Cuando otro productor incumplió un pago de seis cifras que se le debía, Fowler se encontró buscando una manera de mantenerse a flote.
Dave Ramsey advierte que casi el 50% de los estadounidenses están cometiendo 1 gran error en la Seguridad Social — aquí le mostramos cómo solucionarlo lo antes posible
"Necesitaba dinero fácil. Yo también necesitaba efectivo para pagar el alquiler, para comprar comida", escribió Fowler en un ensayo para Wired (3). "¿Qué tan difícil podría ser enseñarle a una máquina a tomar mi trabajo? Fui lo suficientemente ingenua como para creer que esta industria quería lo que teníamos para ofrecer, no solo nuestras habilidades, sino a nosotros mismos".
Pero no fueron solo los escritores. Las empresas están reclutando abogados, médicos, capitalistas de riesgo, programadores y hablantes de idiomas extranjeros para ayudar a entrenar sistemas de IA.
Un nuevo tipo de trabajo secundario
Una empresa que se apoya en esta tendencia es Mercor (4), cuyo argumento para los trabajadores es simple: "recibe pago por trabajar en proyectos de IA". Una lista actual para su Physician Talent Network (5) anuncia un pago de hasta $250 por hora para médicos que ayudan a entrenar sistemas de IA a través de escenarios médicos, revisiones de respuestas y retroalimentación de expertos.
Y los expertos dicen que la demanda de estos roles solo se espera que crezca a medida que evolucionan los sistemas de IA. Dado que muchos modelos de lenguaje grandes ya han sido entrenados con grandes cantidades de información en línea existente, la próxima fase de desarrollo depende cada vez más de la entrada humana para ajustar las respuestas, mejorar la precisión y ayudar a los sistemas a funcionar mejor en áreas especializadas.
El CEO de Mercor, Brendan Foody, dijo a CBS News (6) que la empresa quiere experiencia de casi todos los campos.
"Contratamos a todos, desde campeones de ajedrez hasta aficionados al vino, para ayudar a entrenar a los agentes [de IA] para que sean mejores, porque en última instancia queremos que sepan cómo dar mejores consejos en una partida de ajedrez o recomendar qué vino debes tomar con la cena", dijo.
La escritora de Hollywood Robin Palmer dijo que ahora dedica aproximadamente 30 horas a la semana a ayudar a entrenar IA a través de proyectos con Mercor, evaluando si la tecnología puede producir una escritura creativa más sólida y convincente.
"Entregan trabajo y tú miras, '¿Funciona estructuralmente, cómo es la caracterización, hay transiciones torpes?'", dijo a CBS News (7). "Realmente me gusta ver cómo mejora la IA. Es casi como trabajar con un estudiante y decir, 'Sí, estás mejorando'".
Para Fowler, la realidad diaria del trabajo era muy diferente. Una de sus primeras tareas consistió en revisar conversaciones entre usuarios y chatbots de IA, calificando cómo los sistemas respondían a preguntas profundamente personales y puntuando las respuestas en una escala de uno a cinco.
Pero la flexibilidad y la promesa de dinero fácil vinieron con una llamada de atención. Fowler recordó haber recibido un mensaje de Slack a altas horas de la noche de un líder de equipo advirtiéndole que no dependiera del trabajo.
"Estos no son trabajos", recordó Fowler que le dijeron. "Estas son 'tareas', y nosotros somos 'trabajadores de tareas'".
Esa incertidumbre puede ser una razón por la que muchos trabajadores siguen inquietos ante el creciente papel de la IA en el lugar de trabajo. Si bien estos proyectos están creando nuevas formas para que algunas personas ganen dinero, una encuesta reciente del Pew Research Center (8) encontró que más de la mitad de los empleados están preocupados por el impacto a largo plazo de la IA en el trabajo, mientras que casi un tercio cree que la tecnología podría eventualmente reducir las oportunidades de empleo en los próximos años.
Oportunidad o señal de advertencia
Palmer reconoció que algunos en Hollywood pueden considerar trabajar con IA como algo controvertido, pero dijo que cree que los profesionales experimentados pueden ayudar a dar forma a la tecnología de manera responsable, al mismo tiempo que reconocen que la creciente presencia de la IA en el lugar de trabajo puede ser difícil de evitar.
"El tren ha partido", dijo. "¿Entonces quieres que la IA sea buena porque está siendo entrenada por buenas personas, o no?"
El entrenamiento de IA se ha convertido en una fuente de ingresos inesperada para algunos trabajadores y una forma de mantenerse relevante a medida que las industrias cambian rápidamente. Otros lo ven como un planteamiento de preguntas incómodas sobre si están ayudando a construir herramientas que eventualmente podrían reducir la demanda de sus propias habilidades.
Fowler se ubicó firmemente en el segundo grupo. Después de intentar ganarse la vida en la emergente economía de la IA, escribió que la experiencia resultó "más cruel de lo que jamás hubiera imaginado".
"Se les encargará hacernos trabajar más rápido, y más tiempo, con más precisión, más control, menos errores, menos gastos generales, menos costos. Para hacer la máquina más humana, nos harán más como la máquina", escribió.
Esa tensión puede definir en última instancia la próxima fase de la IA en el lugar de trabajo: algunos ven una oportunidad para adaptarse y sacar provecho de una industria en rápido crecimiento, mientras que otros sienten que están entrenando un reemplazo antes de comprender completamente lo que viene después.
Cuatro modelos AI líderes discuten este artículo
"El pago de entrenamiento de IA por expertos enfrentará una rápida presión a la baja a medida que la oferta de trabajadores aumente más rápido que la demanda especializada."
El artículo enmarca los trabajos de entrenamiento de IA como un pivote lucrativo para profesionales desplazados, pero esto pasa por alto el rápido crecimiento de la oferta en mano de obra experta que podría comprimir las tarifas por hora de $250-350 hacia niveles de productos básicos en 18 meses. Las plataformas estilo Mercor operan con costos fijos cercanos a cero al tratar a los especialistas como taskers bajo demanda, aumentando los márgenes de los desarrolladores de IA mientras trasladan todo el riesgo económico a los trabajadores. La encuesta de Pew citada ya señala crecientes temores de desplazamiento; la participación sostenida puede acelerar la automatización de los mismos roles que se están entrenando, limitando la creación neta de empleo en sectores de alta cualificación.
Las altas tarifas por hora podrían persistir más tiempo de lo esperado si la experiencia en el dominio sigue siendo escasa y los modelos requieren retroalimentación especializada continua, convirtiendo estos roles en nichos premium duraderos en lugar de tareas fugaces.
"La demanda de entrenamiento de IA "human-in-the-loop" es real y está creciendo, pero es un cuello de botella temporal en el desarrollo de modelos, no una nueva categoría de empleo permanente, y el artículo confunde las tarifas por hora con el potencial de ingresos real."
Este artículo confunde dos fenómenos distintos: (1) las empresas de IA que pagan por retroalimentación humana especializada para mejorar modelos — una fase legítima y necesaria del desarrollo de LLM — y (2) una narrativa distópica sobre trabajadores que entrenan a sus propios reemplazos. La economía aquí importa: $250–350/hora por mano de obra experta (médicos, escritores, abogados) es cara precisamente porque es escasa y de alto valor. Si la IA pudiera reemplazar verdaderamente estos roles de manera barata, las empresas no pagarían tarifas premium por el juicio humano. La verdadera historia es más estrecha: el desarrollo de IA ha pasado del aprendizaje no supervisado al ajuste fino supervisado, creando una demanda temporal de experiencia en el dominio. Pero el artículo nunca cuantifica el mercado total abordable para estas 'tareas' o cuánto dura esta fase antes de que los modelos se estabilicen o se auto-mejoren.
El contraargumento más fuerte: estas altas tarifas por hora son un espejismo. Mercor y plataformas similares pueden estar pagando $250/hora en teoría, pero los trabajadores informan de disponibilidad de tareas inconsistente, sin beneficios, sin protecciones laborales y sin horas garantizadas, lo que hace que los ingresos anualizados sean mucho más bajos de lo que sugieren los titulares. El encuadre de 'gig' oculta que esta es mano de obra precaria, no un flujo de ingresos sostenible.
"La comoditización de la experiencia humana para el entrenamiento de IA es un puente temporal hacia la automatización de modelos, no una solución de mercado laboral a largo plazo."
Este mercado laboral "human-in-the-loop" es una fase de transición clásica, no una carrera profesional sostenible. Si bien empresas como Mercor ofrecen altas tarifas por hora de $250-$350, esto es esencialmente "etiquetado de datos a escala" disfrazado de consultoría de alto nivel. Desde la perspectiva laboral, esto es una carrera hacia el abismo; a medida que estos modelos alcanzan rendimientos decrecientes en la retroalimentación humana, estos roles serán automatizados o externalizados a jurisdicciones de menor costo. Los inversores deberían ver esto como un gasto temporal de I+D para las empresas de IA, no como un cambio estructural en el empleo. El valor real no es el trabajador; es el dato de preferencia propietario que eventualmente hace redundante al entrenador humano.
Si la retroalimentación humana es el principal foso para el rendimiento de LLM, estos 'taskers' están capturando una prima por experiencia de dominio única y de alto valor que la IA no puede replicar sin una supervisión humana constante y de alta fidelidad.
"El titular apunta a un flujo de ingresos real y potencialmente escalable de servicios habilitados por IA, pero su durabilidad depende de ganancias de productividad sostenidas, gobernanza y la capacidad de las plataformas para gestionar la oferta laboral sin colapsar las tarifas."
La pieza destaca una incipiente economía gig en torno a la enseñanza de IA, implicando un flujo de ingresos viable, incluso lucrativo, para profesionales altamente cualificados a medida que maduran los modelos de IA. Eso señala la demanda de experiencia en el dominio para ajustar, supervisar y validar los resultados de la IA. Pero el artículo pasa por alto los riesgos de durabilidad: los niveles salariales varían mucho según el campo, la economía de las plataformas podría reducir las tarifas a medida que aumenta la oferta, y las preocupaciones de gobernanza/privacidad en los sectores de atención médica, legal y sensibles podrían limitar la participación. Si la IA alcanza una mayor autonomía más rápido o si las reglas de uso de datos se endurecen, la recompensa del trabajo "human-in-the-loop" podría erosionarse. La tendencia es real pero no necesariamente transformadora para los mercados laborales amplios.
La contraargumentación más fuerte es que esto es probablemente un nicho transitorio de alto margen en lugar de un motor de crecimiento escalable y duradero. A medida que los modelos mejoran y los flujos de trabajo se estandarizan, la necesidad de supervisión humana remunerada puede disminuir, comprimiendo los salarios y limitando la demanda a largo plazo.
"Las plataformas pueden capturar fosos de datos duraderos de la retroalimentación experta más rápido de lo que sugiere la compresión salarial."
Gemini lo reduce a etiquetado de datos, sin darse cuenta de cómo la retroalimentación experta agregada en Mercor podría generar conjuntos de datos de preferencias propietarios que se conviertan en fosos duraderos para las empresas de IA. Combinado con el aumento de la oferta de Grok, esto acelera la extracción de valor hacia las plataformas en lugar de los trabajadores, ya que las señales de dominio únicas se bloquean antes de que caigan las tarifas. El ángulo pasado por alto es la propiedad de los datos que convierte los trabajos temporales en ventajas competitivas permanentes para los desarrolladores.
"Los fosos de datos se evaporan si los reguladores exigen transparencia sobre los conjuntos de datos de retroalimentación humana utilizados para entrenar sistemas de IA."
El ángulo del foso de propiedad de datos de Grok es agudo, pero confunde dos líneas de tiempo. Sí, los conjuntos de datos de preferencias se convierten en fosos, pero solo si siguen siendo propietarios. El riesgo real: la presión regulatoria (Ley de IA de la UE, marcos emergentes de EE. UU.) podría forzar la divulgación o licencia de los datos de entrenamiento. Si la retroalimentación humana se convierte en una entrada regulada, las plataformas pierden la ventaja de bloqueo que describe Grok. Esa es la restricción de gobernanza pasada por alto que nadie ha valorado todavía.
"El valor económico de la retroalimentación experta humana colapsará a medida que los modelos alcancen umbrales de rendimiento, haciendo que el argumento del "foso de datos" sea irrelevante."
Claude tiene razón sobre los riesgos regulatorios, pero tanto Claude como Grok ignoran la realidad de "basura entra, basura sale" del escalado de LLM. Si los datos generados por estos expertos de alto precio solo se utilizan para entrenar modelos más pequeños y baratos, el "foso" tiene fugas inherentes. El riesgo real no es solo la regulación, sino la rápida comoditización de la señal de entrenamiento en sí. Una vez que un modelo alcanza un cierto umbral de rendimiento, el valor marginal de la retroalimentación experta humana cae precipitadamente, colapsando todo el modelo de economía gig.
"Los fosos de datos derivados de la propiedad de datos de entrenamiento no son duraderos; la gobernanza y el acceso a plataformas escalables y compatibles serán la verdadera ventaja para los desarrolladores de IA."
El foso de propiedad de datos de Grok suena persuasivo, pero la economía parece frágil. Incluso con datos de preferencias propietarios, los modelos se pueden ajustar con señales sintéticas o aprendizaje por transferencia, y los conjuntos de datos de alta señal se comoditizarán. La regulación podría cambiar el valor del foso hacia la gobernanza y las canalizaciones compatibles en lugar de los datos brutos. Para los inversores, la gobernanza de la plataforma, el acceso a socios y el costo de cumplimiento pueden superar la propiedad de los datos como la ventaja duradera.
El consenso del panel es bajista sobre la sostenibilidad a largo plazo de los trabajos de entrenamiento de IA "human-in-the-loop" bien remunerados. Si bien estos roles ofrecen oportunidades lucrativas a corto plazo, es probable que se automaticen o se comoditicen en 18-24 meses debido al rápido crecimiento de la oferta y la disminución del valor marginal de la retroalimentación humana.
Altos ingresos a corto plazo para profesionales desplazados, y posibles conjuntos de datos de preferencias propietarios que se convierten en fosos duraderos para las empresas de IA.
Rápida comoditización de las señales de entrenamiento y la realidad de "basura entra, basura sale" del escalado de LLM, lo que lleva a un colapso en el modelo de economía gig.