¿Sabes realmente qué hay detrás de la inteligencia artificial cuando identificas una planta con el móvil?

Apuntas con la cámara a una flor que no reconoces y, en segundos, la aplicación te dice su nombre. Parece un gesto automático, casi mágico. Pero detrás de esa respuesta hay algo menos vistoso y más humano: miles de personas que, en algún momento, señalaron qué aparecía en una imagen para que el

Creado: 25.10.2026 | 21:37

Apuntas con la cámara a una flor que no reconoces y, en segundos, la aplicación te dice su nombre. Parece un gesto automático, casi mágico. Pero detrás de esa respuesta hay algo menos vistoso y más humano: miles de personas que, en algún momento, señalaron qué aparecía en una imagen para que el sistema aprendiera a distinguirlo, mediante un proceso conocido como etiquetado de datos. La inteligencia artificial no adivina sola. Aprende de datos que alguien tuvo que recopilar, etiquetar y revisar.

Qué significa realmente "entrenar" un sistema

Cuando un programa reconoce una planta, un animal o un edificio, lo hace porque antes ha visto muchos ejemplos correctamente identificados. Ese proceso se llama entrenamiento, y depende de un paso previo poco visible: la anotación o etiquetado de datos. Etiquetar una imagen puede consistir en marcar dónde aparece un objeto, indicar a qué especie pertenece o dibujar el contorno exacto de una figura.

Pero el trabajo humano no termina ahí. Las etiquetas también sirven para comprobar si el sistema acierta: si un modelo dice que una foto contiene un roble, hace falta que alguien haya establecido antes que, efectivamente, era un roble. Sin ese material de referencia, no habría forma de medir si la herramienta funciona.

Imaginemos el proceso con una fotografía de una planta: una persona identifica primero la especie —por ejemplo, un diente de león—, delimita después el contorno de la hoja o la flor en la imagen y asigna la etiqueta correspondiente. Más tarde, otra persona, o el mismo anotador en una segunda pasada, revisa que esa etiqueta sea correcta antes de incorporarla al conjunto de datos. Solo entonces esa imagen etiquetada pasa a formar parte del material con el que se entrena el modelo.

Conviene distinguir tres conceptos que a menudo se mezclan: la anotación de datos es el proceso de etiquetar o marcar la información original (por ejemplo, decir qué especie es una planta en una foto); el entrenamiento de modelos de IA consiste en usar esos datos etiquetados para que el sistema ajuste sus parámetros internos y aprenda patrones; y la evaluación es la fase posterior en la que se comprueba, con otro conjunto de datos etiquetados, si el modelo acierta o se equivoca. Son tres momentos distintos del mismo ciclo, y el trabajo humano en la IA está presente en más de uno de ellos.

No todo el trabajo invisible es igual

Conviene evitar una idea simplista: detrás de la IA no hay un único tipo de tarea ni un solo perfil de persona. El trabajo humano abarca actividades muy distintas. Algunas personas transcriben audios; otras categorizan datos, recopilan ejemplos, comparan respuestas generadas por un sistema o moderan contenidos. Y las exigencias varían enormemente.

Decidir si una imagen contiene un gato es sencillo y repetitivo. Evaluar si la respuesta de un modelo de lenguaje es correcta, útil o segura puede requerir conocimientos lingüísticos, culturales o técnicos especializados. Por eso no es correcto tratar a todas estas personas como un grupo homogéneo, ni asumir que todas reciben la misma remuneración o afrontan idénticas condiciones. La tarifa de un especialista que revisa contenidos médicos no es comparable a la de una microtarea básica.

¿Quién hace este trabajo? Lo que muestran los datos

Una de las fotografías más concretas la ofrece la Organización Internacional del Trabajo (OIT). En un estudio publicado en 2024 sobre plataformas de trabajo digital en Kenia, con trabajo de campo realizado entre agosto y diciembre de 2022, se encuestó a 161 trabajadores de microtareas: 72 hombres y 89 mujeres, con una edad media de 27 años.

En esa muestra, el 95 % declaró haber realizado tareas relacionadas con inteligencia artificial o aprendizaje automático. El dato impresiona, pero conviene leerlo con cuidado: se trata de personas ya seleccionadas dentro del universo de plataformas de microtrabajo, no de una muestra aleatoria de la población activa keniana. No es, por tanto, una estimación mundial. Dentro de ese mismo grupo, el 66 % había hecho transcripciones, el 34 % categorización de datos y el 23 % moderación de contenidos. Las categorías podían solaparse, de modo que esos porcentajes no deben sumarse.

Esta encuesta nos dice qué hacían esas personas, pero no cuántas horas dedicaban a cada actividad ni cuánto cobraban. Y, sobre todo, no permite calcular cuántas personas en el mundo etiquetan datos para la IA ni en qué condiciones lo hacen. Es una pieza del rompecabezas, no el mapa completo.

Cadenas largas y responsabilidades difusas

Otra pieza la aporta un estudio académico publicado en 2026 en la revista Global Media and China, firmado por Mahdi Yousefi. Se basa en 38 entrevistas semiestructuradas a trabajadores de anotación de datos —14 en Egipto, 13 en Marruecos y 11 en Kenia—, realizadas entre octubre de 2024 y junio de 2025.

El trabajo describe cadenas de contratación transfronteriza: encargos que llegan a través de agencias e intermediarios, de modo que algunas personas ni siquiera conocían directamente a la empresa o al cliente final. También relata pagos por tarea y mecanismos de supervisión basados en velocidad, precisión, rankings y rechazo de tareas. Es una investigación cualitativa: sirve para identificar experiencias y mecanismos concretos, pero no para medir cuántos trabajadores del sector viven esas situaciones ni para fijar una tarifa media representativa. Aun así, plantea una pregunta incómoda y legítima: cuando la cadena es tan larga, ¿quién fija los estándares, quién responde ante los errores y quién protege la salud laboral?

Aun así, plantea una pregunta incómoda y legítima: cuando la cadena es tan larga, ¿quién fija los estándares, quién responde ante los errores y quién protege la salud laboral?

Esto es especialmente relevante en la moderación de contenidos, una tarea con una dimensión psicosocial propia. La exposición repetida a material perturbador, combinada con objetivos exigentes de velocidad y precisión, la diferencia de la simple clasificación de imágenes. Pero conviene subrayarlo: esa dificultad es un hallazgo de estudios concretos, no una característica universal de todo el trabajo relacionado con la IA.

El ejemplo médico: etiquetar células no es diagnosticar

Uno de los campos donde el etiquetado humano se vuelve más delicado es la medicina. Las anotaciones de personas pueden servir para construir conjuntos de datos con los que se entrenan o evalúan herramientas de análisis de imágenes. Imagina lo que supone marcar, una a una, qué células podrían ser tumorales en una muestra de tejido.

Un ejemplo concreto es el conjunto de datos NuCLS, descrito en 2022, que reunió anotaciones de más de 220.000 núcleos celulares de cáncer de mama mediante un proceso en el que intervinieron estudiantes de medicina y patólogos. En estos casos, varias personas pueden etiquetar la misma imagen para comparar sus coincidencias y desacuerdos. Y ese desacuerdo no siempre es un error: a veces revela que la frontera de una célula es ambigua incluso para especialistas, lo que ayuda a medir la incertidumbre del propio conjunto de datos.

Ahora bien, aquí hace falta una cautela importante. Que un conjunto de datos médico contenga anotaciones humanas no equivale a un diagnóstico. Una etiqueta de investigación no garantiza que la herramienta entrenada con ella sea clínicamente precisa, equitativa o apta para decidir sin supervisión. La utilidad clínica depende de la calidad de las imágenes, del diseño del estudio, de la validación independiente y, siempre, de la supervisión profesional.

Por qué no es magia ni autonomía total

El rendimiento de un sistema de IA no se explica solo por el etiquetado humano. También intervienen la selección de los datos, el diseño del algoritmo, la calidad de las imágenes, los criterios de validación y la revisión posterior. El trabajo humano es una condición necesaria, no la única variable.

La lección, sin embargo, es clara: cada vez que un sistema "reconoce" algo, está aprovechando decisiones tomadas antes por personas. La aparente autonomía de la IA descansa sobre una base muy concreta de trabajo, criterio y, a veces, exposición a contenidos difíciles. A esto se suma otra dimensión material que requiere datos propios para valorarse con rigor: la electricidad y los centros de datos que sostienen estos sistemas. No puede deducirse de una encuesta sobre trabajo humano, pero forma parte de lo que hay "detrás" de la pantalla.

Preguntas que merece la pena hacerse

Reconocer este trabajo invisible abre preguntas que afectan a empresas, usuarios y reguladores. ¿Quién fija los criterios de calidad y de pago cuando el encargo pasa por varias manos? ¿Qué protección existe para quienes moderan contenidos perturbadores? ¿Cómo distinguir una herramienta médica validada de una simple promesa tecnológica?

La próxima vez que uses el móvil para identificar una planta, quizá merezca la pena recordar que esa respuesta instantánea tiene una historia humana detrás. Entender quién la hace posible, y en qué condiciones, es parte de lo que significa usar la inteligencia artificial con criterio.

Entender quién la hace posible, y en qué condiciones, es parte de lo que significa usar la inteligencia artificial con criterio.

Referencias

• Organización Internacional del Trabajo (2024). Digital labour platforms in Kenya: Exploring women’s opportunities and challenges across various sectors (trabajo de campo: agosto-diciembre de 2022; tablas 7.21 y 7.26). Enlace
• Organización Internacional del Trabajo. La ilusión de la inteligencia artificial: cómo los trabajadores invisibles sostienen el trabajo en plataformas. Enlace
• Yousefi, M. (2026). Hidden Labor in Chinese-Contracted AI Training: Data Annotation Workers in Cross-Border Outsourcing Networks. Global Media and China. doi.org/10.1177/20594364261469825
• Amgad, M. et al. (2022). NuCLS: A scalable crowdsourcing approach and dataset for nucleus classification and segmentation in breast cancer. Enlace