El aprendizaje supervisado necesita anotaciones: la etiqueta correcta de cada ejemplo. A veces se obtienen automáticamente, pero a menudo hay que producirlas a mano, un proceso intensivo en trabajo del que depende la calidad del modelo (Chollet, 2021, sec. 6.1.2). Chollet (2021) enumera las opciones: anotar uno mismo, contratar una empresa especializada o usar una plataforma como Mechanical Turk, barata y escalable pero ruidosa.
El caso fundacional es ImageNet, el conjunto de imágenes con que se entrenó AlexNet. Se construyó sobre la jerarquía léxica de WordNet con trabajadores de Amazon Mechanical Turk (Deng et al., 2009). Según una cuenta de Fei-Fei Li, etiquetar a mano todo lo que planeaba le habría llevado a una sola persona unos 19 años; Mechanical Turk, que Amazon había construido para depurar páginas de productos duplicadas, lo hizo posible con unas 49.000 personas en 167 países. La plataforma lleva el nombre del autómata ajedrecista de 1770 que escondía a un jugador humano (el Turco), y Jeff Bezos la describió como «inteligencia artificial artificial» (Mollick, 2026).
Los asistentes actuales repiten el patrón. El RLHF de InstructGPT dependió de unas 40 personas contratadas vía Upwork y Scale AI, mayormente en Estados Unidos y el Sudeste Asiático (Ouyang et al., 2022, sec. 5.2). Una investigación periodística de Billy Perrigo (2023) reveló que trabajadores de Kenia, a través de la empresa Sama, cobraban entre 1,32 y 2 dólares por hora por etiquetar textos violentos y abusivos para el filtro de seguridad de ChatGPT. Gray y Suri (2019) llaman ghost work («trabajo fantasma») a esta mano de obra que la interfaz vuelve invisible.
El punto no es solo laboral sino epistemológico. Cuando decimos que un modelo «aprendió» a reconocer perros o a ser amable, parte de esa competencia está hecha de juicios humanos congelados en datos. ¿A quién hay que atribuir la inteligencia de un sistema cuyo comportamiento correcto fue definido, ejemplo por ejemplo, por miles de personas anónimas?