Saltar al contenido

 

Los que entrenan a la máquina también se organizan

Alguien tuvo que enseñarle al sistema qué mirar, qué nombrar y qué borrar. En Kenia, quienes hicieron durante años ese trabajo empezaron a organizarse para discutir también cuánto vale, cómo se controla y quién responde por sus consecuencias. Joan Kinyua es una de esas voces: la de una trabajadora que se convirtió en investigadora de su propia infraestructura.

Fuentes principales: textos de Joan Kinyua y Data Labelers Association; Data Workers’ Inquiry; informe sobre trabajo de datos y la Convención de la OIT para trabajo en plataformas; materiales de WageIndicator y entrevistas sobre la organización de trabajadores de datos en Kenia.

Joan Kinyua / Data Labelers Association

«Nos organizamos para expresar nuestros intereses, defender nuestros derechos y abrir otro camino para la industria de la IA.»

— Joan Kinyua, “Organizing Across Borders”, Data Workers’ Inquiry.

Una fotografía contiene un perro. Para una persona puede ser evidente; para un sistema de aprendizaje automático, alguien tuvo que convertir esa evidencia en una instrucción: dibujar un recuadro, elegir una categoría, verificar el resultado, corregir una ambigüedad. En otras tareas habrá que marcar violencia, reconocer una emoción, transcribir una voz, clasificar una conversación o decidir si una imagen puede permanecer visible.

Después de millones de operaciones semejantes, el resultado suele presentarse como capacidad de la máquina. Joan Kinyua conoce la historia desde el otro extremo. Trabajó durante años en tareas digitales y anotación de datos; más tarde participó en la creación de la Data Labelers Association en Kenia y se convirtió en su presidenta fundadora. La asociación nació de trabajadores que comenzaron a compartir experiencias sobre salarios, inestabilidad, opacidad contractual, aislamiento y efectos psicológicos de ciertas tareas.

El desplazamiento es importante. Quienes aparecían como una capa invisible de la infraestructura empezaron a hablar como colectivo, y esa voz modificó la manera de describir el trabajo que sostiene a la inteligencia artificial.

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 cuando esas personas aparecen con nombre, contrato y capacidad de negociación.

Hay una expresión que se usa mucho en el campo y que me parece engañosa: “humano en el circuito”. Suena a que la persona está allí para supervisar, cuando muchas veces está allí para absorber la parte del trabajo que el sistema no puede o no quiere hacer. La imagen del circuito esconde la jerarquía. No es lo mismo supervisar una máquina que completar sus tareas por un pago por pieza.

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. Y con ella queda afuera la pregunta por la calidad real del acuerdo: dos personas pueden coincidir en una etiqueta por razones distintas, o una puede ceder ante la guía sin estar convencida.

Pienso en las discusiones que aparecen cuando se corrige una base de datos. Siempre hay alguien que dice “esto es obvio” y alguien que encuentra el caso raro. La etiqueta resuelve la discusión, pero no la vuelve innecesaria. En el trabajo de datos, la resolución se impone por contrato, y eso es lo que convierte una diferencia de criterio en un problema de poder.

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.

Me interesa pensar el aislamiento como parte del diseño y no como un efecto secundario del modelo de negocio. Un trabajador que no sabe cuánto gana el de al lado no puede negociar, y uno que no conoce al cliente no puede discutir la instrucción. La organización sindical aparece entonces como una tecnología de conocimiento antes que como una demanda económica.

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 y puede convertirse en autor de conocimiento sobre la infraestructura que sostiene. La diferencia es política y epistemológica a la vez: no es lo mismo ser contado que contar.

La inversión cambia el lugar desde el que se produce la evidencia, y eso es lo que me importa. Durante décadas, los informes sobre trabajo precario fueron escritos por observadores externos, con buena intención y poca experiencia directa. Cuando los trabajadores investigan sus propias condiciones, aparecen detalles que ningún cuestionario estaba preparado para captar: el tiempo de espera no pago, la regla que cambia sin aviso, el costo emocional de una tarea que se repite durante horas.

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.

Esa conexión entre bienestar y calidad me parece la más difícil de discutir con quienes miran solo métricas. Un dataset puede tener una tasa de acuerdo alta y haber sido producido por personas exhaustas que aprendieron a complacer la guía. El número no distingue entre una etiqueta pensada y una etiqueta resignada. La calidad también tiene historia laboral, aunque el informe no la muestre.

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. Un convenio internacional no cambia esa relación por sí solo, pero al menos pone nombre a las obligaciones que antes quedaban diluidas entre contratistas.

Desconfío de los códigos voluntarios, y a la vez reconozco que un convenio adoptado es una herramienta que antes no existía. La distancia entre el texto y la práctica es enorme, sobre todo en cadenas transfronterizas. La práctica, sin embargo, también cambia cuando existe un lenguaje para reclamar. La pregunta es quién va a hacer cumplir ese lenguaje y con qué fuerza.

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, sino porque ocupa un lugar desde el que ciertas cosas se vuelven visibles.

Esa idea me obliga a corregir una costumbre académica: la de tratar el testimonio como dato y al testigo como fuente. Kinyua no ofrece anécdotas para que otro las interprete; ofrece interpretaciones construidas desde la experiencia. La diferencia no es de cortesía, es de autoría.

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.

La pertenencia institucional también importa. La DLA es una organización joven, con recursos limitados, que dialoga con universidades, organismos internacionales y organizaciones como Data Workers’ Inquiry. Esa cercanía le da visibilidad y, al mismo tiempo, la expone al riesgo de que su agenda sea absorbida por los tiempos y el lenguaje de las instituciones que la invitan.

La parte menos épica de esta historia es, para mí, la más importante: la organización de trabajadores que empiezan a comparar salarios y a documentar instrucciones. No es una revolución tecnológica; es una práctica sindical en un sector que se presenta como si no tuviera trabajadores. Esa práctica es la que vuelve posible cualquier discusión seria sobre quién responde por la IA.

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. Sigue abierto si esa discusión va a tener lugar en las instituciones donde se decide o solamente en los márgenes, cuando el daño ya está hecho.

 

MATERIALES DE REACCIÓN

TRABAJO · DATOS · ETIQUETADO · ORGANIZACIÓN · KENIA · PLATAFORMAS · SALARIO · SALUD MENTAL · CONTRATOS · CONOCIMIENTO · INFRAESTRUCTURA · DIGNIDAD ---

FUENTE PRINCIPAL

Kinyua, Joan. “Organizing Across Borders”. Data Workers’ Inquiry.

Data Labelers Association. Perfil institucional, equipo y misión.

Data Labelers Association. “Behind the Screen: What Our 2026 Labor Conditions Report Found”, 2026.

Salim Wagner, Camilla; Miceli, Milagros; Kinyua, Joan; Dinika, Adio; Hanna, Alex. “Data Work in the ILO Platform Labor Convention”. DAIR Institute / Data Workers’ Inquiry, 2026.

WageIndicator. “AI Runs on Human Labour”, materiales y presentación de Joan Kinyua, 2026.

Rest of World. “Chinese tech companies hire Kenyan workers for AI training”, 2025. https://restofworld.org/2025/kenya-china-ai-workers/

Organización Internacional del Trabajo. Convenio sobre el trabajo decente en la economía de plataformas, 2026 (núm. 193).


COMPLETAN LA CUARTA ENTREGA: