El capitalismo contemporáneo ha adoptado el término "revolución" para describir un nuevo ecosistema global impulsado por una tecnología disruptiva que aún no ha sido completamente conceptualizada. En este contexto, la cuestión de la producción y el trabajo queda eclipsada por las aparentemente revolucionarias características de las facilidades y soluciones proporcionadas por los productos tecnológicos de última generación.

La inteligencia artificial (IA) ha ganado relevancia en el ámbito académico, en discusiones públicas, entre las autoridades y en los medios de comunicación masiva. Por ello, este tema ha sido objeto de estudios en constante crecimiento en diversas disciplinas, trascendiendo ampliamente los campos de las ciencias exactas y la computación.

En el ámbito de las humanidades, la inteligencia artificial ha sido objeto de análisis desde distintos enfoques, tales como la automatización de actividades humanas, tanto en las áreas del derecho (Pasquale, 2019) como en la educación (Schiff & Rosenberg-Kima, 2023; Sun et al., 2020), la lingüística (Kajava & Sawhney, 2023) y estudios de comunicación (Chuan, 2023), además de las relaciones de poder (Dyer-Whiteford et al., 2019), los impactos en las relaciones de producción (Benanav, 2020), prácticas discriminatorias (Chun, 2021; Benjamin, 2023), y los límites de la autonomía humana y su relación con la humanidad (Davies, 2008).

Los taskers

La inteligencia artificial se emplea para automatizar procesos laborales y, al mismo tiempo, constituye un producto del trabajo. Las empresas de inteligencia artificial están formadas por una variedad de roles laborales y de gestión, pero dos tipos de trabajadores son especialmente distintivos en el contexto de la inteligencia artificial: los trabajadores de ciencia de datos y los trabajadores de datos. Aunque, desafortunadamente, comparten títulos similares, ambas áreas refieren a roles muy diferentes en la producción de inteligencia artificial.

Los profesionales en ciencia de datos (Muller et al. 2019) abarcan un grupo altamente capacitado encargado de desarrollar infraestructuras intensivas en datos, entrenar modelos de aprendizaje automático y llevar a cabo experimentos y análisis exhaustivos de datos. Aunque se les asignan títulos laborales como científico de datos e ingeniero de aprendizaje automático, estos roles aún carecen de una definición clara en la industria de la inteligencia artificial, y los términos se emplean de manera flexible. Los profesionales en ciencia de datos suelen contar con títulos avanzados y pueden asegurar posiciones bien remuneradas en empresas de inteligencia artificial, con un salario promedio de aproximadamente US$100,000 al año en el Hemisferio Norte (Steinhoff, 2023). Además, existe la posibilidad de que los expertos con estatus de celebridad alcancen salarios millonarios.

Pero hay otros trabajadores fuertemente ligados a la inteligencia artificial. La atención del público hacia modelos de lenguaje como ChatGPT de OpenAI ha estado mayormente enfocada en los empleos que podrían estar propensos a la automatización. Sin embargo, detrás incluso del sistema de IA más sorprendente, hay muchas personas que etiquetan datos para su entrenamiento a través de ingentes cantidades de información.

La inteligencia artificial aprende al identificar patrones en grandes volúmenes de datos, pero antes es necesario que esos datos sean clasificados y etiquetados por personas, una fuerza laboral masiva en su mayoría invisible detrás de las máquinas.

Estos trabajadores son una especie de “trabajadores fantasma” (Gray & Suri, 2019) cuyas actividades están más ocultas y reciben míseras remuneraciones. Se trata de los taskers (derivado del término inglés task que puede traducirse como “tarea”). Estos trabajadores desempeñan funciones vinculadas a la preparación de los datos empleados en el entrenamiento de modelos de aprendizaje automático. En su enorme mayoría, se encuentran en condiciones laborales precarias y en modalidades basadas en tareas, siendo común su empleo a través de plataformas como Amazon Mechanical Turk y ClixSense (Miceli, Posada & Yang, 2022).

Solo las empresas que cuentan con los recursos para adquirir estos datos pueden mantenerse competitivas, y aquellas que los obtienen tienen un fuerte incentivo para preservar su confidencialidad. Como consecuencia, se dispone de escaso conocimiento, salvo escasas excepciones, sobre la información que moldea el comportamiento de estos sistemas, y se tiene aún menos información acerca de las personas que los configuran.
La descripción de la información acerca del género, raza y nivel educativo de los trabajadores de datos resulta compleja de sintetizar, ya que presenta variaciones significativas de un lugar a otro (Grohmann & Araújo 2021). Investigaciones llevadas a cabo en Francia y en Estados Unidos revelaron que más del 50% de los encuestados eran mujeres, mientras que en la India y en un estudio a nivel europeo se observó una proporción más elevada de hombres en comparación con mujeres (Forde et al. 2017; Difallah et al. 2018; Tubaro et al. 2022).

En 2023 se publicó el artículo de investigación “AI is a lot of work” (“La inteligencia artificial es mucho trabajo”), realizado en conjunto por la revista especializada The Verge y por New York Magazine. En dicho trabajo entrevistan a taskers de todo el mundo.

Estos jóvenes desempeñan el rol de anotadores, llevando a cabo la labor monótona de procesar la información sin procesar que se utiliza para entrenar inteligencia artificial. En países del Sur Global, como Nigeria, los taskers son, generalmente, hombres jóvenes, estudiantes universitarios o recientes graduados.

Estos empleados clasifican imágenes destinadas, por ejemplo, a vehículos autónomos, identificando minuciosamente cada automóvil, peatón, ciclista, o cualquier objeto relevante para un conductor, cuadro por cuadro y desde cada perspectiva posible de la cámara. Etiquetar un clip de varios segundos de imágenes lleva alrededor de ocho horas. Los taskers cobran aproximadamente 10 dólares por esta labor.

Estos trabajadores deben realizar varias horas de entrenamiento, leyendo indicaciones y practicando. Muchos suelen abandonar antes de completar: se quejan de lo repetitivo y lo aburrido de las tareas.

En países como Nigeria estas prácticas se realizan en campos de entrenamiento. Cuando los jóvenes capacitados regresan a casa para trabajar de manera independiente en sus habitaciones y cocinas, sin poder revelar a nadie en qué están trabajando, lo cual no es un problema real, ya que rara vez ellos mismos saben de qué se trata (Dzieza, 2023).
Respecto a la entidad que los contrata, la mayoría solo la identifica como Remotasks, una plataforma en línea que proporciona empleo a cualquier persona con habilidades avanzadas en inglés.

Remotasks es la rama enfocada en estos trabajadores taskers, propiedad de una compañía llamada Scale AI. Esta empresa es un proveedor de datos con sede en Silicon Valley, valorada en varios miles de millones de dólares, y cuenta entre sus clientes con OpenAI y el ejército de Estados Unidos. Tanto el sitio web de Remotasks como el de Scale AI omiten mencionar la existencia de la otra empresa.

Para los estudiantes nigerianos entrevistados por The Verge, este trabajo carece de muchos de los aspectos habituales: un horario establecido, compañeros de trabajo, claridad sobre la tarea o el empleador. De hecho, rara vez lo consideran un trabajo propiamente dicho; simplemente lo llaman "realizar tareas" (Dzieza, 2023).

En 2007, la investigadora de inteligencia artificial Fei-Fei Li, quien en ese momento era profesora en Princeton, tenía la sospecha de que la clave para mejorar las redes neuronales de reconocimiento de imágenes, un método de aprendizaje automático que llevaba años estancado, residía en entrenarlas con más datos, específicamente millones de imágenes etiquetadas en lugar de decenas de miles. Sin embargo, el dilema era que a su equipo de estudiantes universitarios le llevaría décadas y costaría millones de dólares etiquetar esa cantidad de fotos (Hempel, 2018).

Li reclutó a miles de colaboradores en Mechanical Turk, la plataforma de crowdsourcing de Amazon, donde individuos de diversos lugares del mundo llevan a cabo pequeñas tareas a un costo reducido. La anotación del conjunto de datos resultante, conocido como ImageNet, impulsó avances en el campo del aprendizaje automático, reavivando la disciplina e iniciando una década de progreso significativo (Dzieza, 2023).

La anotación sigue siendo una parte esencial en la creación de inteligencia artificial, aunque a menudo los ingenieros perciben que es un requisito preliminar transitorio e inconveniente para la tarea más atractiva de construir modelos. Pero la tarea de anotación nunca llega a su fin por completo. Los sistemas de aprendizaje automático son lo que los investigadores denominan "frágiles", susceptibles a fallos al enfrentarse a elementos que no están debidamente representados en sus datos de entrenamiento. Estos incidentes, conocidos como "situaciones límite", pueden tener consecuencias graves. En 2018, un vehículo autónomo de prueba de Uber atropelló a una mujer, ya que, aunque estaba diseñado para evitar ciclistas y peatones, no tenía instrucciones claras sobre cómo reaccionar ante alguien cruzando la calle caminando junto a su bicicleta (Smiley, 2023). A medida que se amplíen la implementación de sistemas de inteligencia artificial, surgirán más situaciones límite que requerirán intervención humana para su clasificación. Esto ya ha generado una industria global compuesta por individuos como los taskers, que emplean sus habilidades humanas para alimentar a las máquinas.

Los taskers del mundo se dedican a capacitar a los chatbots más avanzados, en unos casos, mientras que otros se ocupan de las tareas manuales rutinarias esenciales para mantener operativa la inteligencia artificial. Por otro lado, estos trabajadores se dedican a categorizar el contenido emocional de videos de TikTok, a identificar nuevas variantes de correos electrónicos no deseados o a evaluar con precisión la provocación sexual en anuncios en línea. Algunos están revisando transacciones con tarjetas de crédito para identificar el tipo de compra asociada, mientras que otros evalúan recomendaciones de comercio electrónico, determinando si tal camisa podría gustarle a un consumidor después de haber comprado otra. Son seres humanos los que están corrigiendo chatbots de servicio al cliente, atendiendo solicitudes a Alexa y clasificando las emociones de las personas en videollamadas. También están etiquetando alimentos para evitar confusiones en los refrigeradores inteligentes con nuevos envases, revisando cámaras de seguridad automáticas antes de activar alarmas e identificando maíz para tractores autónomos perplejos (Dzieza, 2023).

Las entidades proveedoras de datos asociadas a empresas reconocidas como OpenAI, Google o Microsoft presentan diversas formas. Empresas de subcontratación privadas, con instalaciones similares a centros de llamadas, como CloudFactory con sedes en Kenia y Nepal, son un ejemplo. Existen también plataformas de "crowdworking" como Mechanical Turk y Clickworker, donde cualquier persona puede registrarse para realizar tareas. En un punto intermedio se encuentran servicios como Scale AI. Aunque la inscripción está abierta para cualquiera, todos deben superar exámenes de calificación y completar cursos de formación, además de someterse a un seguimiento continuo del rendimiento.
La anotación se ha convertido en una actividad sumamente rentable. Scale, establecida en 2016 por Alexandr Wang, quien tenía tan solo 19 años en ese momento, alcanzó una valoración de US$ 7.3 mil millones en 2021. En su momento, Forbes lo ha catalogado como "el multimillonario autodidacta más joven".

Esta cadena de suministro enmarañada está diseñada deliberadamente para ser difícil de mapear. Según personas de la industria, las empresas que compran los datos exigen una estricta confidencialidad (Dzieza, 2023). La anotación revela demasiado sobre los sistemas que se están desarrollando, y la gran cantidad de trabajadores necesarios dificulta la prevención de fugas. A los anotadores se les advierte repetidamente que no cuenten a nadie sobre sus trabajos, ni siquiera a sus amigos y compañeros de trabajo, pero los alias corporativos, los nombres en clave de los proyectos y, especialmente, la extrema división del trabajo aseguran que no tengan suficiente información sobre ellos para hablar aunque quisieran. Cuando se los entrevista, la mayoría de los trabajadores solicitaron seudónimos por miedo a ser expulsados de las plataformas (Moreschi, Pereira & Cozman, 2020; Dzieza, 2023).

Por todo esto, no existen estimaciones detalladas sobre el número de personas que trabajan en este trabajo de tasking para la inteligencia artificial, pero es mucho y se encuentra en expansión. Un artículo de investigación de Google dio una cifra de "millones" con el potencial de convertirse en "miles de millones" (Dzieza, 2023).

La inteligencia artificial mal paga a los trabajadores que le dan vida

La paga de los taskers es baja. Según un estudio de cinco de estas plataformas, en 2017, el salario promedio por hora para los trabajadores de datos en América del Norte era de US$4.70, en Europa y Asia Central US$3.00, US$2.22 en Asia-Pacífico y US$1.33 en África (Berg et al. 2018, 2). Aunque no se tiene una cifra exacta del número total de trabajadores de datos, es probable que sea significativa. Un estudio sobre este ámbito laboral en ocho países africanos estima que alrededor de 4.8 millones de personas obtienen ingresos mediante plataformas digitales (Smit et al. 2019).

La mayoría del trabajo en Remotasks se paga a una tarifa por pieza, con una sola tarea que puede hacer ganar desde unos pocos centavos hasta varios dólares. Debido a que las tareas pueden llevar desde segundos hasta horas, los salarios son difíciles de predecir.
Según los trabajadores que la revista The Verge entrevistó para su informe, los anotadores de Remotasks con sede en Estados Unidos generalmente ganan entre US$10 y US$25 por hora, aunque algunos expertos en temas específicos pueden ganar más. A principios de 2023, el salario para los anotadores kenianos que entrevistó The Verge había disminuido a entre US$1 y US$3 por hora (Dzieza, 2023).

La queja más común sobre el trabajo en Remotasks es su variabilidad; es lo suficientemente constante como para ser un trabajo a tiempo completo durante largos periodos, pero demasiado impredecible para depender de él. Los anotadores pasan horas leyendo instrucciones y completando entrenamientos no remunerados solo para hacer una docena de tareas y luego que el proyecto termine. Puede que no haya nada nuevo durante días y luego, sin previo aviso, aparece una tarea totalmente diferente que puede durar desde unas pocas horas hasta semanas. Cualquier tarea podría ser la última por un largo tiempo y nunca saben cuándo vendrá la siguiente.

Este ciclo de auge y caída resulta del ritmo del desarrollo de la inteligencia artificial, según ingenieros y proveedores de datos, se debe a las dinámicas de entrenar un modelo grande: se requiere una cantidad enorme de anotaciones seguido de actualizaciones. Y los ingenieros quieren todo tan rápido como sea posible para poder cumplir con la fecha de lanzamiento establecida.

Para tener éxito, los anotadores trabajan juntos. Un tasker entrevistado por The Verge comenta que comenzó a trabajar para Remotasks mientras estaba en la universidad en Nairobi y que, como muchos anotadores, utiliza grupos no oficiales de WhatsApp para correr la voz cuando hay una buena tarea. Cuando descubre una nueva, organiza reuniones improvisadas en Google Meets para mostrar a los demás cómo hacerlo. Cualquiera puede unirse para aprender más sobre estas tareas y compartir consejos.

Cuando llega la ansiada tarea, el trabajador se quedará despierto todo el tiempo que pueda para trabajar. Uno de los entrevistados una vez estuvo despierto durante 36 horas seguidas etiquetando codos, rodillas y cabezas en fotografías de multitudes, sin saber por qué. Otra vez, se quedó despierto tanto tiempo que su madre le preguntó qué le pasaba en los ojos. Se miró al espejo y vio que estaban hinchados.

Los anotadores generalmente saben solo que están entrenando inteligencia artificial para empresas ubicadas en lugares muy lejanos, pero a veces las instrucciones mencionan una marca o un chatbot y ya están dando buenas pistas. "Leí y busqué en Google y descubrí que estoy trabajando para un multimillonario de 25 años", dijo un trabajador que, en ese momento, estaba etiquetando las emociones de las personas que llamaban para pedir pizza de Domino’s. "Realmente estoy desperdiciando mi vida aquí si hice a alguien multimillonario y estoy ganando un par de dólares a la semana".

Las tareas pueden concentrarse en Nigeria, Nepal, India o Filipinas. "Las empresas cambian de una región a otra", dijo uno de los entrevistados en el informe de The Verge. "No tienen infraestructura local, así que les permite ser flexibles y trasladarse a regiones que les favorezcan en cuanto a costos operativos".

A modo de conclusión

Se observa que una parte significativa de los enfoques sobre el análisis sobre la inteligencia artificial, distante de la crítica de la Economía Política, cae en las trampas del fetichismo señaladas por Marx, y no revela los aspectos esenciales que están ocultos en las manifestaciones del fenómeno. No obstante, existen excepciones, como los trabajos de Dyer-Whiteford et al. (2019), Yi (2020), Moreschi, Pereira & Cozman (2020), Steinhoff (2023), Gong (2021), Verdegen (2021), Cole et al. (2022) y Lindgren (2023), entre otros. Este tipo de análisis debe ampliarse.

Tanto los trabajadores de ciencia de datos como los trabajadores de datos ocupan posiciones contradictorias dentro del capital. Aunque sus situaciones son distintas (en términos de sus ingresos, de la estabilidad, de tener trabajo más o menos digno, etc.) son trabajadores y construyen los sistemas de automatización que el capital se ve impulsado a desplegar para aumentar la productividad del trabajo.

Inclusive en lo que hace a los ingenieros de ciencias de datos, aunque ahora estén en una situación mejor que la de los taskers, su propio trabajo también está siendo automatizado, inclusive con las mismas herramientas de inteligencia artificial que producen. Aunque la automatización completa del trabajo en la industria de la inteligencia artificial parece improbable en un futuro cercano, es factible que se dé una degradación en la calidad. Como señalan Grohmann y Araújo (2021), el futuro del trabajo parece encaminarse hacia una "tendencia creciente de la tareasificación del trabajo".

El resplandor futurista de las nuevas tecnologías oculta una extensa maquinaria de fabricación y a las personas que la hacen funcionar mediante “trabajos de mierda” (bullshit jobs) tal como el antropólogo David Graeber caracteriza a los empleos carentes de significado o propósito (2018).

El estudio crítico de la inteligencia artificial no debe avanzar sin una base político-económica. La inteligencia artificial está profundamente involucrada con las relaciones sociales constitutivas del capitalismo contemporáneo intensivo en datos. Dado que tiene la capacidad de producir medios para automatizar la automatización, la industria de la inteligencia artificial es de interés crucial para el capital.

Aunque la industria de la inteligencia artificial todavía es joven y sus productos son rudimentarios, vale la pena estudiarla porque continuará evolucionando y las nuevas formas que tome tendrán consecuencias para la economía política del capitalismo intensivo en datos, inclusive para la lucha socialista que busca redireccionar la tecnología hacia fines socialmente beneficiosos en lugar de rentables.

Resulta imperativo utilizar el pensamiento marxista y las herramientas críticas para desentrañar y analizar la forma social que la inteligencia artificial adopta en la actualidad como instrumento al servicio del capital y como mecanismo de alienación y extrañamiento del trabajo humano, de los instrumentos de trabajo, de los frutos del trabajo y, en última instancia, del género humano.

Referencias

Benanav, Aaron (2020). Automation and the Future of Work. Nueva York: Verso Books.
Benjamin, Ruha (2023). “Race after technology” en Social Theory Re-Wired. Londres: Routledge.
Berg, J., Furrer, M., Harmon, E., Rani, U., & Six Silberman, M. (2018). Digital Labour Platforms and the Future of Work: Towards Decent Work in the Online World. Ginebra: International Labour Organization.
Chuan, Ching-Hua (2023). “A critical review of news framing of artificial intelligence” en Lindgren, Simon (Ed.) (2023). Handbook of Critical Studies of Artificial Intelligence. London: Edward Elgar Publishing Ltd.
Chun, Wendy (2021). Discriminating data: correlation, neighborhoods, and the new politics of recognition. Cambridge: MIT Press.
Cole, M., Cant, C., Ustek Spilda, F., & Graham, M. (2022). “Politics by automatic means? A critique of artificial intelligence ethics at work” en Frontiers in Artificial Intelligence, v. 5.
Davies, Tony (2008). Humanism. Londres: Routledge.
Difallah, D., Filatova, E., & Ipeirotis, P. (2018). “Demographics and Dynamics of Mechanical Turk Workers” en Proceedings of the Eleventh ACM International Conference on Web Search and Data Mining. Nueva York: Association for Computing Machinery.
Dyer-Witheford, N., Kjøsen, A. M., & Steinhoff, J. (2019). Inhuman Power: Artificial Intelligence and the Future of Capitalism. Londres: Pluto Press.
Dzieza, Josh (2023). “AI is a lot of work” en The Verge, 20 de junio. Disponible en: https://www.theverge.com/features/23764584/ai-artificial-intelligence-data-notation-labor-scale-surge-remotasks-openai-chatbots
Forde, C., Stuart, M., Joyce, S., Oliver, L., Valizade, D., Alberti, G., Hardy, K., Trappmann, V., Umney, C., & Carson, C. (2017). The Social Protection of Workers in the Platform Economy. Luxemburgo: European Parliament’s Committee on Employment and Social Affairs.
Gong, W. (2021). “Artificial Intelligence from the Perspective of Marxist Philosophy” en International Journal of Social Science and Education Research, 4 (9).
Graeber, David (2018). Bullshit jobs. Nueva York: Simon & Schuster.
Gray, Mary L., & Suri, Shiddarth (2019). Ghost work: How to stop Silicon Valley from building a new global underclass. Boston: Eamon Dolan Books.
Grohmann, R., & Araújo, W. F. (2021). “Beyond Mechanical Turk: The Work of Brazilians on Global AI Platforms” en P. Verdegem (Ed.), AI for Everyone? Critical Perspectives. University of Westminster Press.
Hempel, Jessi (2018). “Fei-Fei Li´s quest to make AI better for humanity” en WIRED, 13 de noviembre. Disponible en: https://www.wired.com/story/fei-fei-li-artificial-intelligence-humanity/
Kajava, Kaisla & Nitin Sawhney (2023). Lindgren, Simon (Ed.) (2023). Handbook of Critical Studies of Artificial Intelligence. London: Edward Elgar Publishing Ltd.
Lindgren, Simon (Ed.) (2023). Handbook of Critical Studies of Artificial Intelligence. London: Edward Elgar Publishing Ltd.
Miceli, Milagros; Julián Posada & Tianling Yang (2022). “Studying Up Machine Learning Data: Why Talk About Bias When We Mean Power?” en Proceedings of the ACM on Human-Computer Interaction, 6.
Moreschi, Bruno; Gabriel Pereira & Fabio Cozman (2020). “The Brazilian Workers in Amazon Mechanical Turk: Dreams and realities of ghost workers” en Contracampo, 39 (1), abril-julio.
Muller, M., Lange, I., Wang, D., Piorkowski, D., Tsay, J., Liao, Q. V., Dugan, C., & Erickson, T. (2019). “How Data Science Workers Work with Data: Discovery, Capture, Curation, Design, Creation” en Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems. Nueva York: Association for Computing Machinery.
Pasquale, Frank (2019). “A rule of persons, not machines: the limits of legal automation” en The George Washington Law Review, 87 (1).
Schiff, Daniel & Rinat Rosenberg-Kima (2023). “AI in education: landscape, vision and critical ethical challenges in the 21st century” en Lindgren, Simon (Ed.) (2023). Handbook of Critical Studies of Artificial Intelligence. London: Edward Elgar Publishing Ltd.
Smiley, Lauren (2023). “The Legal Saga of Uber’s Fatal Self-Driving Car Crash Is Over” en WIRED, 28 de julio. Disponible en: https://www.wired.com/story/ubers-fatal-self-driving-car-crash-saga-over-operator-avoids-prison
Smit, H., Johnson, C., Hunter, R., Dunn, M., & van Vuuren, P. F. (2019). Africa’s Digital Platforms and Financial Services: An Eight-country Overview. Ciudad del Cabo: CENFRI.
Steinhoff, James (2023). “The industry of automating automation: the political economy of the AI industry” en Lindgren, Simon (Ed.) (2023). Handbook of Critical Studies of Artificial Intelligence. London: Edward Elgar Publishing Ltd.
Sun, S., Zhai, Y., Shen, B., & Chen, Y. (2020). “Newspaper coverage of artificial intelligence: A perspective of emerging technologies” en Telematics and Informatics, 53, 101433.
Tubaro, P., Coville, M., Le Ludec, C., & Casilli, A. A. (2022). “Hidden Inequalities: The Gendered Labour of Women on Micro-Tasking Platforms” en Internet Policy Review, 11(1).
Verdegem, Pieter (Ed.) (2021). AI for Everyone?: Critical Perspectives. Londres: University of Westminster Press.
Yi, C. (2020). “A Brief Analysis of the Alienation of Artificial Intelligence-Taking Marx’s Theory of labor Alienation as an Analytical Tool” en Frontiers in Economics and Management, 1 (11).