Intermediarios de datos de EE. UU. venden a laboratorios chinos de IA datos y entornos de RL por 500 millones de dólares

Si pensaba que el principal cuello de botella en la carrera de la IA son los chips, esta historia tiene una segunda mitad. Una investigación de ChinaTalk, que resume The Decoder, muestra que los proveedores de datos estadounidenses venden con tranquilidad a laboratorios chinos aquello con lo que se entrenan los modelos de OpenAI y Anthropic. El volumen total ronda los 500 millones de dólares.

Qué se vende exactamente

No se trata solo de textos etiquetados. Parte del producto son entornos de RL (entornos de aprendizaje por refuerzo). Piense en un simulador de entrenamiento: al modelo se le da una tarea como «arreglar un error en un repositorio» o «consolidar un informe trimestral», y un script comprueba el resultado y otorga una recompensa. El modelo lo intenta miles de veces y poco a poco aprende a resolver mejor esas tareas. Construir un buen simulador es caro y lleva tiempo: hacen falta expertos, verificaciones y depuración.

Por eso el esquema beneficia a ambas partes. Según la investigación, la lista de vendedores incluye al menos nueve empresas estadounidenses, entre ellas Mercor, Surge AI, AfterQuery y Turing. Surge AI afirma directamente en su web que sus productos están hechos por «los mismos expertos que están detrás del trabajo para los laboratorios de frontera».

Para qué le sirve a China

Los compradores eligen deliberadamente los mismos productos que antes adquirieron OpenAI o Anthropic. La lógica es sencilla: como los líderes estadounidenses ya han demostrado que un entorno funciona, no hace falta probarlo por cuenta propia. Eso ahorra meses de desarrollo y elimina las ejecuciones de entrenamiento «vacías», que cuestan muchísimo. Para los laboratorios chinos el cómputo vale el doble: según los autores, los chips locales sufren una grave escasez de memoria.

A esto se suma la destilación. Los equipos chinos usan modelos estadounidenses potentes, como GPT o Claude, de «maestros» y entrenan sus modelos con sus respuestas. Junto con los entornos comprados, el resultado es una doble ventaja: se puede alcanzar a los líderes con menos recursos propios.

Las operaciones se realizan a través de estructuras extraterritoriales. ByteDance, por ejemplo, tiene oficinas de compras en Singapur y San José. Todo salió a la luz gracias a fuentes anónimas y al descuido de los contratistas. Las empresas estadounidenses delegan el grueso del trabajo de crear entornos y preparar datos en contratistas mal pagados de países en desarrollo, sobre todo de la India. Estos a veces indican los nombres de los clientes en LinkedIn o en sus currículos, aunque deberían usar solo nombres en clave.

Dónde está el riesgo y dónde hay exageración

La principal preocupación son los entornos de doble uso. Los simuladores de programación mejoran el desarrollo de software, pero también pueden reforzar las capacidades cibernéticas ofensivas. Los entornos de biología pueden mejorar el trabajo con la síntesis de genes y, potencialmente, ayudar en tareas relacionadas con armas biológicas. Hoy el control de exportaciones casi no alcanza a estos productos, porque no existe una categoría regulatoria específica para los entornos de RL. Los autores proponen que la Oficina de Industria y Seguridad de EE. UU. les aplique las normas vigentes.

Al mismo tiempo, ellos mismos piden no caer en el apocalipsis. Mientras China siga los pasos de las soluciones estadounidenses, estructuralmente irá por detrás de los laboratorios de EE. UU. al menos varios meses. Los entornos sensibles de biología, química, ciberseguridad, diseño de chips y banca de inversión se construyen cada vez más dentro de las propias empresas estadounidenses.

También conviene recordar las limitaciones. La cifra de 500 millones de dólares es una estimación de la investigación. Los datos sobre unos 100 millones de dólares de ingresos anuales de AfterQuery proceden de publicaciones de Forbes, y ChinaTalk no pudo verificarlos de forma independiente.

Qué significa en la práctica

Para los fundadores de startups de datos, la conclusión es dura: lo más probable es que la regulación de este mercado se endurezca. Conviene averiguar de antemano quiénes son sus compradores finales, cómo están estructurados los contratos y a quién van a parar los entornos de dominios sensibles. Es una conclusión mía, no una afirmación de los autores de la investigación.

Para quienes construyen productos sobre modelos, la idea es otra. Los simuladores y los datos por sí solos son un foso débil: si se pueden comprar, los competidores también los comprarán. La ventaja real sigue estando en los datos propios, la distribución y la velocidad de iteración. Y los equipos que confían a contratistas la recopilación o el etiquetado de datos deben vigilar la seguridad operativa de la cadena: que el nombre de un cliente se filtre desde el currículo de un contratista es un escenario perfectamente real.