Nun bosque dixital escuro, unha procesión de traballadores fantasma segue a un robot co estandarte do Sparkle (IA). Un ambiente misterioso que lembra á Santa Compaña e outras lendas antigas europeas pero nun escenario tecnolóxico de opacidade cognitiva. Son os Ghost Workers.
Cando vexo nos medios aos típicos gurús empresariais ou mesmo a benintencionados utopistas, dicindo que a intelixencia artificial fará todo o traballo e todos recibiremos unha paguiña, en verdade me parto. Unha especie de utopía ou pode que distopía na que leremos libros e cantaremos no coro da asociación de veciños, como xubilados desde o nacemento. Penso que iso non vai pasar, poderíamos facer unha porra sobre isto. O que está claro é que moitas cousas están a pasar no eido do emprego, e máis que ainda virán.
Suponse que a IA vai quitar o traballo á xente pero de momento non é así, ao contrario, a IA está a xerar moito emprego a nivel global ainda que dun tipo moi particular. Os medios adoitan falar dos científicos superestrelas que as tecnolóxicas se disputan pero nunca mencionan aos traballadores na sombra, os millóns de Ghost Workers, traballadores fantasma da IA.
Hai xa tempo que millóns de persoas en todo o mundo traballan adestrando e axustando intelixencias artificiais. A este traballo chámanlle Human in the Loop, humanos no bucle. Algúns acoden a traballar a grandes granxas como as dos teleoperadores, aínda que a maioría traballa desde casa cun portátil ou mesmo un móbil, conectados a través dunha plataforma cuxo algoritmo vai gobernar a relación laboral asignando tarefas e valorando a remuneración.
Neste traballo o operador o que vende é intelixencia humana pero descontextualizada, fragmentada, sen un sentido global. Case todo son microtareas que se cobran por HITs realizados (Human Intelligence Tasks) realizadas a presión medidas por AETs (Average Estimated Times). Outra característica é que se trata dun fenómeno global que se xestiona a través de grandes intermediarios do servizo, empresas proveedoras de Human in the Loop para diversos clientes.
Moito me temo que esta investigación vai merecer un glosario de anglicismos: ghost work, crowdwork, gigwork, HITL…
O nome de Ghost Work foi acuñado en 2017 por Mary L. Gray e Siddharth Suri, investigadores sociais procedentes de Microsoft Research que estudaron e documentaron este fenómeno. No libro Ghost Work: How to Save Silicon Valley from Itself, Gray e Suri demostran como as principais plataformas tecnolóxicas dependen dunha forza laboral oculta de millóns de traballadores para realizar as tarefas que a IA no é quen de facer ou non resulta rendible.
O libro captura o momento en que se consolida ese proletariado da IA. Tecnicamente é un traballo similar á televenta ou asistencia ao cliente, un tipo de gig work que se paga por tarefas cumpridas, pero que se volve ghost work cando as empresas ocultan estes servizos, como Open Ai, Meta, etc, nin sequera é fácil rastrexar na súa contabilidade o orzamente destinado a este servizo.
Xa en 2017 Gray e Suri preguntábanse nun artigo de Harvard Business Review que tan artificial é a Intelixencia Artificial, dicindo que o problema non é que esa intervención humana sexa necesaria, senón que se oculte, que como consumidores temos dereito a sabelo. Para Gray e Suri, o mito da “automatización total” é similar ao Poderoso Meigo de Oz, que resultou ser un home que tiraba dos fíoss escondido detrás dunha cortina na clásica narrativa estadounidense.
A xeración millenial experimentou nas súas propias carnes o nacemento dun novo tipo de proletariado na nube, iniciado polos operadores de centros de chamadas que vían aos seus proxenitores, os obreiros industriais, como auténticos privilexiados cos seus dereitos laborais do século XX. Eles foron os pioneiros do crowd work desde os seus call centers. Agora eses mozos adestran a chatbots para que fagan o seu antigo traballo aínda que en ocasións entran na conversación baixo a identidade do robot cando xorden problemas complicados no servizo. Ou conducen os coches autónomos que sen a súa intervención bloquearíanse cada dous minutos.
A prehistoria desta industria foi avaliar algoritmos de procura en internet, tamén o adestramento dos asistentes de voz que todos coñecemos, pero de súpeto o machine learning irrompeu con enorme voracidade de HITL (Human in the Loop), é dicir, de intervención humana nos procesos. O primeiro boom foi a presentación en 2007 de Image Net, o dataset impulsado pola profesora Fei-Fei Li de Stanford para adestramento en visión artificial. O traballo comezou en plan académico con estudantes etiquetando fotos pero era demasiado lento e a través de Amazon Turk pronto pasaron a contratar a 50.000 persoas en 167 países.
Lembro a época de Deep Dream de Google que foi adestrado con Image Net. A miña primeira imaxe xerada con IA foi unha foto dunha tina de pexegos que ao pasala por Deep Dream converteuse nunha chea de cabezas de cachorros. Era moi divertido, en calquera imaxe que lle subises vía cans en todas partes. Non era casual, o dataset tiña unha moi detallada clasificación de razas caninas, un tema ben estruturado e prolixo que se escolleu polo seu interese para o experimento. Unha cousa quedara clara, a IA non abriu os ollos máxicamente, ve o que millóns de persoas dixéronlle que vexa segundo unha detallada ontoloxía proporcionada polo cliente.
Inicialmente, había moito traballo de etiquetaxe deste tipo, e aínda o hai, pero axiña apareceron unha multitude de novos traballos centrados na calidade e aliñamento da IA, a relevancia humana, a verificación da realidade, a limpeza de datos, e a moderación de redes e chatbots, sen esquecer o traballo de soporte en liña naquelas tarefas que complican as IA dentro dos procesos automatizados.
Agora entramos nunha fase que demanda HITs cada vez máis esixentes e de maior calidade cognitiva. Cada vez fan máis falta especialistas en múltiples materias científicas e técnicas, un exemplo serían persoas con formación sanitaria para etiquetar IAs de diagnóstico ou bos programadores para corrixir código. E para cubrir esta demanda buscouse, non xa man de obra, senón cerebro de obra, preferentemente entre os novos graduados e técnicos de países como Kenia, India, Filipinas ou Latinoamérica aínda que se trata dun fenómeno global que inclúe traballadores en situacións igualmente precarias en nacións industrializadas.
Un dos traballos máis demandados é o de RLHF, a aprendizaxe por reforzo de retroalimentación humana, que consiste en aliñar a IA cos obxectivos humanos, pois de nada serve ter todos os datos sen entender que é o que un humano considera valioso. É coma ser o titor ou mestre samurai dunha IA que xa ten os coñecementos pero non ten sentidiño ou fundamento, como diría unha avoa galega ou vasca.
Un caso famoso foi o de Sama, unha empresa con sede en Nairobi que OpenAI contratou para etiquetar contido explícito, como abuso sexual infantil, asasinato, suicidio, tortura e todo tipo de horrores incluíndo o xenocidio Tigray na veciña Etiopía. Este caso saltou aos medios e visibilizó non só o problema de saúde mental do traballo de moderación, senón o trato laboral inxusto, irregularidades salariais e violacións de dereitos. Unha das traballadoras conta nun artigo que tras saír nun documental contando a súa experiencia traumática recibiu unha chea de mensaxes, algunhas mostrando apoio e solidariedade pero a maioría preguntando como se pode traballar niso. Supoño que pasar fame ou presenciar en persoa eses horrores é peor que etiquetarlos.
O RLHF é moi amplo, ás veces require perfís técnicos sofisticados e noutras ocasións o posto só require ter o sentido común do aceptable ou ético nun contexto humano. En realidade é un traballo dunha gran responsabilidade, aínda que se pague por céntimos. Operativamente, o traballador está a transferir o seu sentido común a unha máquina a cal recibe recompensas, puntos, cando acerta. Non son opinións persoais, as respostas puntúanse seguindo sempre un manual de instrucións.
Microsoft escribiu un extenso Manual de relevancia humana, o UHRS (Universal Human Relevance System), para manexar os HITs que demandan as súas aplicacións. Se queres traballar para eles, a través dunha plataforma por suposto, debes estudar unha morea de instrucións e facer un exame, despois serás avaliado introducindo probas trampa entre os teus HITs, e aceptado ou rexeitado sen explicacións. Case todas as grandes tecnolóxicas como Google ou Meta teñen un manual similar. Mesmo certas plataformas de HITL (Human in the Loop) fixeron os seus propios sistemas de relevancia unificando estes manuais corporativos cada vez máis similares, e así poden cambiar os seus empregados dun cliente a outro con maior facilidade.
Nestas plataformas, non hai contacto humano co empresario, nin contrato laboral coa súa seguridade social, vacacións ou baixas por enfermidade, e podes ser baneado por formar un sindicato ou falar do teu traballo. Suponse que es un contratista independente, unha especie de lumpen autónomo ao que se lle paga por microtarefas. Iso si, debes asinar un estrito contrato de confidencialidade, prohibido compartir capturas de pantalla, vídeos de ti mesmo traballando, mesmo poden prohibir que haxa máis xente na sala.
Deste xeito, as persoas que traballan facendo que la IA sexa máis precisa, empática e incluso ética, son tratadas da maneira máis fría, robótica e irrelevante. Que pode saír mal?
Como dixera Mary L. Gray no seu libro de Harvard, o maior truco da IA foi facernos crer que non había humanos detrás, creando a ilusión dunha automatización total. O que me recorda que aínda non falamos dos traballos que a propia industria chama traballos de Wizard of Oz, que implican a suplantación de IA, ben sexa para presentar maquetas de produtos a investidores, para entrar no Loop facendo tarefas nas que a man de obra humana segue sendo máis barata, ou simplemente como estafa para enganar a VCs fascinados polo hype da IA.
Bastante recente é o caso de Natasha, unha IA que prometía desenvolver apps como quen pide unha pizza. Impulsada por unha multimillonaria startup británica chamada Builder.ai, en realidade empregaba a uns 700 enxeñeiros en India que manualmente programaban as aplicacións simulando ser unha plataforma automatizada de IA. Este caso, que saíu á luz en 2025, foi moi soado pero hai moitos máis casos coñecidos do que se chamou IA Washing. Este tipo de casos escandalosos, como o de Soma en Nairobi, son os que captan o interese dos medios e serven para iluminar parcialmente o rutineiro traballo fantasma masivo.
Aparte dos casos nos que a IA non existe ou non é funcional, a gran maioría das grandes empresas de IA dependen de exércitos invisibles de traballadores humanos para adestrar os seus modelos e suplir as súas deficiencias. Non se fala diso pero tampouco é un timo, senón máis ben a andamiaxe oculta que sostén unha industria. Algo parecido ao que pasaba coas zapatillas de Nike e similar, un traballo invisible ata que Klein contouno en NoLogo.
Este tema leva tempo debaténdose en círculos académicos e mesmo se crearon algunhas pezas de arte conceptual interesantes, pero o público en xeral descoñece este pequeno detalle sobre como funciona a IA. A narrativa oficial é que a IA é o santo grial que salvará á humanidade de ter que facer traballos repetitivos e irrelevantes, pero a realidade actual insiste teimosamente no contrario.
Aínda que é difícil dar unha cifra exacta de traballadores porque a maioría son autónomos ou contratistas ocultos, o volume de diñeiro que move este sector é o mellor indicador da demanda de man de obra, especialmente nos sectores de anotación de texto, visión artificial e moderación de contido. Pero para non alargarme demasiado, isto verémolo proximamente nunha segunda parte.
