Los que entrenan a la máquina también se organizan

TIENE MANOS

La inteligencia artificial suele llegar al público como una interfaz sin biografía laboral.

El usuario escribe una frase, sube una foto o hace una pregunta. Entre ese gesto y la respuesta hay modelos, centros de datos, redes, chips y software. También hay trabajo humano: producción de datos, anotación, evaluación, moderación, verificación y corrección de salidas.

La Data Workers’ Inquiry define ese conjunto como data work. No es una tarea única ni una ocupación uniforme. Incluye desde transcribir audio hasta describir imágenes, clasificar emociones, moderar contenidos o evaluar respuestas producidas por un sistema.

Kinyua trabajó dentro de ese universo antes de organizarse junto con otros trabajadores alrededor de sus condiciones.

Esa experiencia modifica la manera de describir la IA. La pregunta deja de ser únicamente qué puede hacer una máquina y pasa a incluir qué cadena de trabajo hizo posible que pareciera capaz de hacerlo sola.

La automatización no desaparece porque descubramos personas detrás.

Pero cambia de significado.

ES INTERPRETAR

“Etiquetar datos” puede sonar parecido a pegar una calcomanía.

En la práctica, muchas tareas exigen interpretación. ¿La frase es irónica? ¿La imagen contiene violencia? ¿Esta expresión pertenece a una categoría ofensiva? ¿Dónde empieza exactamente el objeto que debe encerrarse en un cuadro? ¿Qué intención tiene una persona que habla en una lengua con variaciones locales?

La respuesta puede depender del contexto, de la cultura y de reglas escritas por alguien que quizá se encuentre a miles de kilómetros.

Los trabajadores no aportan solamente tiempo de teclado. Aportan juicio.

Ese juicio queda, sin embargo, sometido a métricas de velocidad, índices de acuerdo, instrucciones, controles de calidad y sistemas de pago que pueden castigar una interpretación aunque sea razonable. Cuando la tarea aparece como “microtrabajo”, la unidad mínima del encargo ayuda a ocultar el conocimiento que hace falta para completarla.

El dato etiquetado parece limpio cuando llega al modelo.

La discusión que produjo esa limpieza suele quedar afuera.

TAMBIÉN ES UNA FORMA DE ORGANIZAR EL TRABAJO

Buena parte del trabajo de datos se distribuye mediante plataformas, contratistas o empresas de tercerización. Las personas pueden realizar tareas desde una oficina, desde su casa o a través de cadenas donde no siempre conocen al cliente final.

La distancia tiene ventajas evidentes para quien contrata: permite ampliar o reducir equipos rápidamente, repartir tareas entre países y pagar por unidad de trabajo.

Para el trabajador también puede significar otra cosa: dificultad para saber cuánto cobran otros, quién decidió una regla, cómo apelar una sanción o incluso para quién está trabajando realmente.

Kinyua ha contado que las conversaciones que dieron origen a la Data Labelers Association comenzaron precisamente al compartir esas experiencias.

Organizarse altera una infraestructura diseñada para fragmentar.

El salario deja de ser una cifra privada. El bloqueo de una cuenta deja de parecer un fracaso individual. Los efectos psicológicos de moderar imágenes violentas pueden compararse. Las instrucciones contradictorias pueden documentarse.

La conversación entre trabajadores produce un tipo de información que ninguna plataforma entrega por voluntad propia.

AL CONOCIMIENTO

La Data Labelers Association no nació solamente para reclamar mejores pagos.

Uno de sus problemas centrales es el vacío de conocimiento sobre el trabajo de datos: qué tareas se realizan, cuánto duran, qué riesgos tienen, cómo se evalúan, qué parte del tiempo no se paga y qué ocurre cuando una plataforma modifica las condiciones.

Ese vacío favorece a quienes controlan la cadena.

Si el trabajo no está bien descrito, resulta difícil regularlo, compararlo o negociar sus condiciones. Si se lo presenta como una sucesión de tareas simples, también cuesta reconocer habilidades acumuladas por trabajadores experimentados.

La asociación comenzó a documentar esa realidad desde la perspectiva de quienes la viven. En 2026 publicó investigación sobre condiciones laborales en Kenia y participó en debates internacionales sobre trabajo de plataformas.

Eso desplaza otra frontera: el trabajador deja de ser únicamente objeto de una investigación sobre precariedad.

Puede convertirse en autor de conocimiento sobre la infraestructura que sostiene.

TAMBIÉN ENTRA EN EL DATO

Separar “ética de la IA” de condiciones de trabajo puede producir una paradoja extraña.

Una empresa puede discutir sesgos, seguridad o calidad mientras la producción de sus datos ocurre bajo plazos extremos, pagos inestables, instrucciones incompletas o exposición sostenida a material perturbador.

Esas condiciones no son un problema externo al sistema.

Una persona agotada, apurada o sometida a métricas opacas toma decisiones dentro de los datos que después entrenarán o evaluarán modelos. Un trabajador que no puede cuestionar una instrucción porque teme perder el ingreso tiene menos capacidad para señalar una categoría absurda. Un moderador sin apoyo psicológico absorbe un costo que la interfaz final no registra.

Joan Kinyua y la DLA convierten esa relación en una pregunta sobre calidad además de justicia laboral.

La cadena de producción de inteligencia artificial no se vuelve responsable únicamente auditando el modelo terminado.

También hay que mirar cómo fue producido aquello que el modelo aprendió.

AL CONTRATO

Organizar una experiencia compartida permite dar otro paso: traducirla en reglas.

La Data Labelers Association ha trabajado en propuestas de contratos modelo, códigos voluntarios de conducta, estándares de pago, salud mental y reconocimiento de habilidades. En 2026 Kinyua participó junto con Milagros Miceli, Adio Dinika, Camilla Salim Wagner y Alex Hanna en un informe sobre cómo el entonces proyecto de norma de la Organización Internacional del Trabajo para la economía de plataformas podía —o no— cubrir las particularidades del trabajo de datos. En junio de ese año, la Conferencia Internacional del Trabajo adoptó el Convenio núm. 193 sobre trabajo decente en la economía de plataformas.

Entre las recomendaciones aparecieron cuestiones muy concretas: reconocer riesgos psicosociales, limitar acuerdos de confidencialidad que impiden hablar u organizarse, considerar como trabajo remunerable ciertos tiempos de preparación y espera, mejorar la revisión humana de rechazos y permitir historiales de trabajo transferibles.

La discusión puede parecer administrativa.

En realidad decide quién absorbe el riesgo cuando una industria necesita flexibilidad.

La plataforma puede volverse flexible porque alguien más acepta vivir con la incertidumbre.

NO ES UN SENSOR

Existe una tentación frecuente en proyectos participativos: invitar a trabajadores para que aporten testimonios y devolverles después un informe escrito por otros.

El trabajo de Kinyua con Data Workers’ Inquiry empuja en otra dirección. La experiencia laboral no funciona solamente como material empírico. Los trabajadores pueden intervenir en la formulación de preguntas, producir investigaciones propias y discutir qué conocimientos resultan relevantes.

Eso tiene una consecuencia epistemológica.

Quien realiza miles de anotaciones conoce patrones que un gerente, un investigador o un ingeniero pueden no ver. Sabe dónde las instrucciones se contradicen, qué categorías generan conflicto, qué atajos aparecen para sobrevivir a una métrica y qué decisiones supuestamente técnicas dependen de interpretación.

La organización laboral puede ser también una forma de observación del sistema.

No porque todo trabajador tenga razón sobre todo.

Porque ocupa un lugar desde el que ciertas cosas se vuelven visibles.

La Data Labelers Association no representa por sí sola la inmensa diversidad del trabajo de datos, ni Kenia resume una cadena global que atraviesa países, empresas, plataformas, contratistas y tareas muy diferentes.

Tampoco basta con hacer visible el trabajo oculto. Una industria puede incorporar testimonios, paneles y consultas sin modificar quién controla contratos, infraestructura o capital. La participación corre el riesgo de convertirse en otra capa de legitimación si no altera alguna capacidad real de decisión.

La organización enfrenta además una dificultad estructural: muchos trabajadores dependen precisamente de la flexibilidad y del acceso remoto que hacen posible esas plataformas, incluso cuando las condiciones son malas. Cualquier propuesta que ignore esa dependencia puede terminar protegiendo en abstracto a quienes necesitan ingresos concretos.

La potencia de Kinyua aparece en otro lugar: no habla del trabajador como víctima muda de una tecnología ajena.

Habla desde una fuerza de trabajo que empezó a reconocerse, investigar su propia situación y producir demandas.

Joan Kinyua sirve como precursora porque introduce un sujeto que desaparece cada vez que describimos la inteligencia artificial como una conversación entre empresas, modelos y usuarios.

El trabajador de datos no está antes de la tecnología como un residuo preindustrial que algún día será automatizado por completo. Está dentro de la tecnología: interpreta, corrige, evalúa, modera, produce ejemplos y señala límites.

Y ahora también se organiza.

Eso modifica una pregunta clásica sobre la automatización. Ya no alcanza con preguntar cuántos puestos reemplazará una máquina. Hay que preguntar qué trabajos nuevos crea para sostener la apariencia de que funciona sin trabajo.

La respuesta cambia según el país, el contrato y la plataforma.

Pero una cosa ya resulta difícil de devolver a la invisibilidad: detrás de muchas capacidades llamadas artificiales existe una infraestructura humana que aprendió a reconocerse como tal.

Los que entrenan a la máquina también pueden discutir las reglas del entrenamiento.