La IA física avanza con trabajadores que graban sus tareas cotidianas. La labor manual alimenta hoy a robots humanoides y crea la paradoja de entrenar al sistema que nos sustituirá mañana.
En marzo de 2026, DoorDash lanzó una aplicación independiente llamada Tasks que pagaba a sus ocho millones de repartidores estadounidenses para que se pertrecharan con cámaras corporales y se filmaran lavando platos, doblando ropa o haciendo camas. Así, la conversión del trabajo físico cotidiano se convertía en combustible activo para la inteligencia artificial (IA).
En YouTube se puede ver estos días un vídeo procedente de la India, titulado Why indian workers are training AI robots to take their jobs, en el que aparecen personas con cámaras en la cabeza cortando fruta, doblando ropa, limpiando mesas, colocando alimentos en una estantería, o manipulando piezas en una fábrica... Lo que se ve parecen tareas intrascendentes, y podríamos pensar que no merece la pena pararse a mirar las imágenes, pero detrás de cada escena hay una nueva industria: la que tiene que ver con esa conversión del trabajo humano cotidiano en datos de entrenamiento para la IA física y para los robots humanoides.
Lo que antes era una simple tarea doméstica o manual ahora puede convertirse en una secuencia de vídeo, en una posición corporal, un gesto, o un contexto visual que una máquina usará para aprender a actuar en el mundo real.
MIT Technology Review incluyó el pasado mes de abril los "datos de humanoides" en su lista anual de las 10 cosas que más importan en IA ahora mismo, señalando que "las simulaciones virtuales pueden entrenar robots para hacer acrobacias, pero no para coger y mover objetos, porque las simulaciones tienen dificultades para modelar la física con exactitud". Para que los robots funcionen en fábricas o actúen como asistentes domésticos resultan imprescindibles los datos del mundo real.
Esto tiene consecuencias en el nuevo mundo del trabajo presidido por la inteligencia artificial. Para empezar, refleja una paradoja laboral, porque las personas que aparecen en esos vídeos cobran hoy por registrar cómo trabajan, y mañana esos datos pueden servir para automatizar tareas parecidas... Por eso hay quien dice que cada trabajador está entrenando literalmente al robot que ocupará su puesto al día siguiente.
En realidad se trata de ayudar a construir bibliotecas de habilidades humanas que, una vez transformadas en modelos de IA, pueden escalarse a miles de robots o a sistemas automatizados.
The Washington Post describe esta carrera por los vídeos de tareas domésticas en su investigación interactiva Robots are learning to do housework from vide, y se refiere a una respuesta a un problema central de la robótica: "Los modelos necesitan grandes volúmenes de datos físicos, igual que los chatbots necesitaron enormes cantidades de texto".
De la IA digital a la física
La primera gran tendencia es el paso de la IA digital a la inteligencia artificial física. Durante la última década, los modelos generativos aprendieron de textos, imágenes, código y vídeos disponibles en internet. Pero un robot no sólo necesita "saber" qué es un vaso: necesita agarrarlo sin romperlo, distinguir si está lleno, moverlo, adaptarse a una mesa distinta y corregir errores.
Según Encord, una compañía especializada en datos para IA, los vídeos de gente que cobra por enseñar a la IA a hacer cosas normales "son una muestra de que las empresas buscan datos de manos, ojos y objetos en interacción real".
La segunda tendencia es que la economía gig empieza a convertirse en una cadena de suministro de datos humanos. Se trata de convertir a esos trabajadores gig en recolectores de datos para laboratorios de robótica e IA.
Human Archive, una start up fundada por investigadores de UC Berkeley y Stanford, respaldada por Y Combinator, equipa a trabajadores del sector de servicios en India -limpieza doméstica, hostelería, restauración- con gorras con cámara integrada que graban en primera persona las tareas cotidianas. Esas imágenes se convierten en conjuntos de datos que alimentan modelos de robótica física.
Datos y entrenamiento
Pero no basta con grabar cualquier vídeo. Según Micro 1 -otra compañía que paga a trabajadores para recopilar datos sobre su propia actividad para la IA- "las empresas quieren datos sincronizados, etiquetados, con profundidad, movimiento, fuerza y contexto". El camino hacia la automatización robótica empieza capturando acciones humanas en vivo y convirtiendo flujos de trabajo cotidianos en datos de entrenamiento.
Los datos ya empiezan a conectarse con despliegues reales. La automovilística BMW explica que robots humanoides Figure 02 han ayudado a producir más de 30.000 BMW X3 en Spartanburg (Carolina del Sur), trabajando turnos de diez horas de lunes a viernes. Y Mercedes-Benz está probando robots Apollo de Apptronik para mover componentes hacia líneas de producción y realizar controles iniciales de calidad.
El cuello azul es el primer territorio visible porque el cuerpo es fácil de observar: doblar ropa, empaquetar, mover cajas, clasificar productos o manipular piezas dejan una huella física. Pero la lógica profunda no es "manual contra intelectual", sino "tarea repetible contra tarea no codificada".
Sería un error interpretar este fenómeno como exclusivamente manual. En las oficinas ocurre algo que es estructuralmente equivalente: los flujos de trabajo digitales -correos, contratos, tiques, CRM, hojas de cálculo, reuniones, código- también generan datos que entrenan sistemas de automatización cognitiva.
Morgan Stanley recuerda que el 98% de sus equipos de asesores financieros adoptó AI @ Morgan Stanley Assistant para acceder a conocimiento interno y automatizar parte del flujo informativo. Y Microsoft describe una evolución hacia empresas en las que los agentes de IA se integran como "colegas digitales" que ejecutan tareas bajo dirección humana, redefiniendo los organigramas corporativos.
Hay una consecuencia económica en todo esto: una disputa por la propiedad del aprendizaje. El trabajador cobra una vez por grabar una tarea; la empresa puede reutilizar ese aprendizaje indefinidamente.
Goldman Sachs Research estima que el equivalente a 300 millones de empleos a tiempo completo está expuesto a automatización por la IA, lo que no significa una desaparición automática, pero sí una presión creciente sobre tareas que puedan descomponerse y replicarse.
La consecuencia social será una nueva brecha entre quienes entrenan sistemas, quienes los poseen y quienes los supervisan.
5 tensiones en el futuro del trabajo
- Captura frente a creación. El trabajador que porta una cámara no está perdiendo tiempo: capitaliza una habilidad preexistente, pero el valor de esa capitalización lo captura quien posee los datos. Habrá que preguntarse si deben los trabajadores tener derechos sobre los modelos entrenados con su actividad, de forma análoga a los derechos de autor o a las participaciones laborales.
- Sustitución frente a transformación. Los datos disponibles apuntan a que la IA transforma más que destruye empleos en el corto plazo. Pero "transformación" no significa neutralidad: las tareas más repetitivas y codificables dentro de cualquier profesión son las primeras en automatizarse, y los trabajadores deben reposicionarse.
- Escala global y protección local. El mercado de datos de entrenamiento opera en jurisdicciones con distintos niveles de protección laboral. La velocidad regulatoria es mucho menor que la velocidad de expansión del negocio.
- Eficiencia frente a transparencia. Existe el riesgo de que el trabajo humano en la cadena robótica quede invisibilizado. Esto tiene consecuencias económicas -distorsiona la valoración de las empresas- y sociales -legitima decisiones de automatización basadas en capacidades que aún no son reales sin supervisión humana-.
- Empleo y recualificación. El WEF habla de 170 millones de nuevos roles que incluyen entrenadores de robots, auditores de datos, técnicos de mantenimiento de sistemas físicos de IA y especialistas en supervisión humana.