By Breaking Editor 
El auge de la inteligencia artificial ha desatado un mercado de FOMO (miedo a perderse algo) supercargado en todas las escalas posibles. Cada startup, gran empresa tecnológica y agencia gubernamental está compitiendo para construir mejores modelos, conjuntos de datos más limpios y pipelines de etiquetado más rápidos, todos los cuales requieren la experiencia de personas reales.
Esta emergente “economía de trabajos temporales de IA” refleja la estructura laboral de empresas de transporte compartido como Uber: flexible en la superficie, pero explotadora en la práctica. Los trabajadores están atomizados, mal pagados y despojados de poder de negociación, todo mientras producen los datos que hacen posibles los sistemas de IA. Las plataformas de anotación dependen de algoritmos de puntuación de calidad opacos y bucles de retroalimentación unilaterales, creando condiciones casi idénticas a las que enfrentan los conductores y mensajeros de aplicaciones.
En muchos intercambios de cazatalentos, los reclutas obtienen la oportunidad de anotar como una forma de empleo, que no lo es, y se les pide que no acepten otras oportunidades laborales a pesar de la falta de un contrato de exclusividad.
Si tomamos el valor autoconcedido de OpenAI—valorado en aproximadamente $500 mil millones a partir de octubre de 2025—y lo comparamos con sus proyectados $12 mil millones en ingresos anuales, podemos suponer que los pipelines de anotación de datos y retroalimentación humana que sustentan tal crecimiento son un acelerador de miles de millones de dólares dentro de la economía de IA de un billón de dólares. Estos sistemas humanos invisibles transforman datos en bruto en inteligencia, sirviendo como el puente entre valoraciones corporativas masivas y el trabajo cognitivo que las sostiene en silencio.
Anotación de Datos como el Nuevo Transporte Compartido
Así como los conductores de Uber proporcionan transporte sin las protecciones laborales tradicionales, los trabajadores temporales de IA proporcionan datos lingüísticos, visuales y de comportamiento sin reconocimiento ni pago justo. Las tareas varían desde etiquetar contenido tóxico hasta ajustar las respuestas de los modelos a solicitudes complejas.
El cambio es palpable: Uber mismo ha entrado en este espacio a través de su división llamada “Scaled Solutions”, donde está reclutando contratistas de todo el mundo para realizar anotaciones de imágenes, videos y textos para clientes internos y externos. Mientras tanto, Mercor ha construido un mercado que conecta expertos de la industria y contratistas temporales para entrenar modelos de IA, enmarcando este trabajo como una “nueva categoría de trabajo”. Estos modelos laborales reutilizan la lógica del trabajo temporal flexible en el ámbito cognitivo con algunas de las mismas controversias: retrasos en el pago, personas quemadas por promesas anteriores y funciones contradictorias durante la implementación.
Gestión Algorítmica y Precariedad Laboral
El mismo control algorítmico que rige las tasas de aceptación y precios dinámicos de los conductores de Uber se está implementando ahora en las plataformas de trabajos temporales de IA. Los anotadores son monitoreados a través de software de seguimiento de tiempo, telemetría del navegador y análisis de pulsaciones de teclas. Las puntuaciones de “calidad” y “finalización de tareas” determinan si reciben trabajo futuro. A diferencia del empleo tradicional, no hay apelaciones, canales de recursos humanos o protecciones laborales. Una suspensión repentina de la cuenta puede significar perder toda la fuente de ingresos.
En el caso de Mercor, por ejemplo, la empresa ahora paga “más de $1.5 millones al día” a miles de contratistas humanos, según su CEO. Aunque esto puede sonar generoso a simple vista, la estructura sigue siendo basada en contratistas temporales—sin salario garantizado, sin estabilidad a largo plazo. Las proporciones probablemente ascienden a menos de unos pocos cientos por trabajador.
Una Falsa Promesa de Flexibilidad
Las plataformas de trabajos temporales venden la ilusión de autonomía: “Trabaja cuando quieras.” Pero la realidad está más cerca de una dependencia de gestión algorítmica y difusa. Los trabajadores deben revisar constantemente tableros, chats o correos electrónicos para solicitar trabajo de anotación a través de las micro-tareas disponibles, compitiendo con decenas o miles de otros para reclamarlas. Esta pseudo-flexibilidad es reminiscentemente de los conductores de Uber esperando viajes en mercados sobresaturados—técnicamente libres, económicamente atrapados. El estrés psicológico de un ingreso inestable, combinado con la carga cognitiva del etiquetado de datos repetitivo, produce un agotamiento que refleja el trabajo físico temporal.
Arbitraje Salarial Global y Colonialismo Digital
Al descentralizar el trabajo cognitivo, las empresas de IA están participando en lo que muchos académicos llaman colonialismo digital: extrayendo trabajo intelectual y emocional del Sur Global para entrenar modelos que enriquecen a las corporaciones en el Norte Global. Los trabajadores pueden, por ejemplo, en Filipinas, Kenia o América Latina, ganar salarios muy por debajo de los estándares de vida locales mientras realizan tareas de etiquetado que alimentan modelos globales. (Las encuestas muestran que muchos anotadores temporales aún ganan menos que el salario mínimo equivalente una vez que se consideran problemas como rechazos de tareas.)
El Ciclo de Retroalimentación Irónico
Irónicamente, los mismos modelos que están siendo entrenados por trabajadores temporales mal pagados ahora se están utilizando para automatizar esos mismos trabajos. El aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF) depende de anotadores humanos para enseñar a los modelos razonamiento ético y contextual—pero a medida que los modelos mejoran, amenazan con desplazar a los propios anotadores. Esta dinámica recursiva refleja olas anteriores de automatización en manufactura y logística, pero ahora apunta a habilidades cognitivas y lingüísticas que alguna vez se consideraron “a prueba de automatización”. A continuación, destacamos algunos de los riesgos locos y perfiles asociados con los principales gerentes de anotación de proveedores en el mercado.
Destacados de Empresas
Mercor
Fundada en 2023 y con sede en San Francisco, Mercor describe su negocio como “conectar la experiencia humana con los principales laboratorios y empresas de IA que impulsan la economía de IA”. Mercor+2TechCrunch+2 La empresa recluta a antiguos empleados senior en campos como derecho, banca y consultoría, pagándoles cientos de dólares por hora para redactar informes y completar formularios para entrenar modelos. MEXC
Por qué esto es importante: Este modelo escala la economía de trabajos temporales más profundamente—desde tareas de anotación de baja habilidad hasta “trabajo de contrato experto” de alta habilidad para IA. Muestra que cualquier trabajo cognitivo humano se está convirtiendo en una mercancía.
Riesgo: El marco de trabajo temporal desmantela las protecciones laborales tradicionales, trasladando el riesgo y el costo a los individuos mientras las empresas capturan valor.
Uber (Scaled Solutions)
Uber ha anunciado su división “Scaled Solutions” que, aprovechando su infraestructura de trabajo temporal existente, proporciona servicios de anotación de datos y entrenamiento de modelos a través de su fuerza laboral global de más de 8 millones de trabajadores en 72 países. Uber está utilizando el mismo modelo que gestionaba a conductores y mensajeros para ahora gestionar a los contratistas de etiquetado de IA.
Por qué esto es importante: La confusión de la infraestructura de trabajo temporal con el trabajo de anotación de datos muestra cómo la lógica de la economía de trabajos temporales está migrando hacia el trabajo del conocimiento.
Riesgo: Las condiciones de trabajo temporal—bajo poder de negociación, competencia global, programación algorítmica—se importan a la fuerza laboral de IA.
Meta (a través de la inversión en Scale AI)
La inversión transformadora de Meta: En junio de 2025, Meta anunció una inversión de $14.3 mil millones para adquirir una participación del 49 % en Scale AI (valorada en ~US$29 mil millones), una importante empresa de anotación de datos. El negocio de Scale depende de anotadores temporales/contratistas para el entrenamiento humano en el proceso. Un reciente artículo de TIME señala que a pesar de la enorme inversión, los trabajadores detrás de la etiquetación pueden no ver ninguna mejora en las condiciones.
Por qué esto es importante: El hecho de que Meta trate la infraestructura de anotación como un activo estratégico señala cómo el trabajo a gran escala es ahora central para el liderazgo en IA, no solo para los algoritmos o el cómputo.
Riesgo: Cuando el trabajo de datos es central, la presión por escalar y minimizar costos puede llevar a las empresas a tratar el trabajo humano como un centro de costos—no como trabajo humano. El ecosistema Meta-Scale intensifica la competencia entre las empresas de anotación, ejerciendo presión a la baja sobre los salarios y estándares.
La Carrera Hacia Abajo
En última instancia, esta es una carrera hacia abajo por lo que alguna vez fue un trabajo de conocimiento respetable y bien remunerado. Cuando las empresas optimizan para un trabajo cognitivo ultra-flexible y bajo demanda, surge una carrera hacia abajo:
- Los salarios se establecen tarea por tarea, a menudo sin una garantía horaria clara.
- La competencia global impulsa la erosión salarial local.
- Pocas protecciones contra el rechazo o la suspensión algorítmica.
- Las demandas de calidad aumentan mientras que el pago permanece estancado o disminuye.
- El trabajo se convierte en descalificado y mercantilizado—lo que antes requería conocimiento especializado se convierte en micro-tareas y se subcontrata.
Como dice un boletín: “Jack of All Trades, Master of None: La Fiebre del Oro de la Anotación de Datos”—describiendo cómo las plataformas de anotación están apresurando a los trabajadores a través de tareas cada vez más baratas, incluso cuando los modelos exigen más matices y habilidad.
Hacia un Marco Laboral Ético para la IA
Si esta tendencia continúa sin control, el desarrollo de IA replicará los peores aspectos de la economía de trabajos temporales: opacidad, precariedad y explotación disfrazada de oportunidad. Para contrarrestar esto, la industria de IA debe adoptar estándares laborales éticos, que incluyan:
- Estructuras de pago transparentes vinculadas a salarios de vida regionales, no solo a licitaciones globales.
- Representación colectiva para anotadores, lingüistas y entrenadores de modelos.
- Derechos laborales de datos: reconocimiento y quizás regalías o participación en beneficios por las contribuciones humanas al desarrollo de modelos.
Los gobiernos y las empresas tecnológicas deben tratar el trabajo de IA como infraestructura esencial—y no como trabajo digital desechable.