Micro1 contrata personas en todo el mundo para entrenar humanoides mientras el mercado de IA demanda nuevas pruebas

El mercado de IA incorporada se enfrenta no solo a limitaciones de hardware, sino también a la disponibilidad de datos humanos: miles de personas en todo el mundo están grabándose a sí mismas haciendo la colada, planchando y limpiando sus casas para entrenar humanoides. En este contexto, los investigadores están diciendo cada vez más que las pruebas de IA tradicionales revelan poco sobre cómo estos sistemas funcionarán realmente en el trabajo real.

Cómo se entrenan los humanoides

Una de las empresas más prominentes en esta nueva capa del mercado es Micro1. Contrata contratistas en más de 50 países, incluyendo Nigeria, India y Argentina, para grabar acciones cotidianas desde una perspectiva en primera persona: doblar ropa, lavar platos, limpiar mesas, verter agua, abrir refrigeradores. Para ello, las personas colocan un iPhone en la cabeza y graban vídeos cortos con las manos en el encuadre. Los vídeos pasan entonces por verificación, anotación y terminan en conjuntos de datos que compran las empresas de robótica.

La lógica es sencilla: los grandes modelos de lenguaje tenían internet, pero los robots humanoides necesitan el mundo físico real. Las simulaciones ayudan a trabajar los movimientos, pero capturan mal el caos de un apartamento típico: iluminación diferente, cocinas estrechas, superficies resbaladizas, decenas de tipos de objetos y formas de interactuar con ellos. Por eso no solo Micro1 y Scale AI, que ha recopilado más de 100.000 horas de este material, sino también nuevos canales como DoorDash Tasks están surgiendo en el mercado.

El 19 de marzo de 2026, DoorDash lanzó oficialmente un piloto en el que se paga a los trabajadores por grabar acciones cotidianas y grabaciones de voz para IA y robótica. Incluso cientos de miles de horas de vídeo todavía no parecen ser el límite del mercado.

"Esto llevará más tiempo de lo que muchos piensan", — el robótico

Ken Goldberg.

El costo de estos datos

Para muchos contratistas, este es un trabajo adicional decente: tarifas de alrededor de $15 por hora en varios países se ven competitivas. Pero el trabajo rápidamente se vuelve monótono. Los participantes necesitan grabar repetidamente acciones similares, idear nuevos escenarios dentro de un pequeño apartamento y asegurarse de que la grabación se ajuste a las instrucciones. Un trabajador en Delhi describió gastar casi una hora en un vídeo útil de 15 minutos — simplemente porque no hay tantas tareas diferentes para grabar en su hogar.

• Coloca un iPhone u otro smartphone compatible al nivel de la cabeza
• Graba vídeos desde una perspectiva en primera persona, generalmente de 1–2 minutos cada uno
• Las manos y el objeto deben permanecer en el encuadre casi todo el tiempo
• Se necesitan variaciones en iluminación, habitaciones, superficies y objetos
• Se evitan rostros, nombres y otros datos personales cuando es posible

La pregunta principal aquí no es realmente la rutina, sino la privacidad. Incluso si un rostro no aparece en el encuadre, el vídeo contiene diseño interior, medicinas de cocina, pertenencias de los niños, rutinas diarias y vecinos capturados accidentalmente en el fondo. Mientras tanto, los propios contratistas a menudo no saben exactamente a quién se venden sus grabaciones, cuánto tiempo se almacenan o si pueden solicitar su eliminación.

La investigadora Yasmin Kotturi afirma directamente que las empresas deben explicar de antemano a las personas hacia dónde puede llegar esta tecnología y cómo los afectará en el futuro.

Por qué fallan las pruebas

Paralelamente a la carrera de datos, otra disputa se intensifica: ¿cómo medimos la calidad de la IA en absoluto? La investigadora Angela Aristidou cree que la industria ha vivido demasiado tiempo en la lógica de un examen escolar, donde un modelo se compara con un ser humano en una tarea aislada con una respuesta correcta o incorrecta. En la vida real, esto rara vez sucede.

La IA se integra en equipos, regulaciones y procesos largos, donde importa no solo cuán preciso y rápido es el sistema, sino también cómo afecta a la coordinación de las personas, la carga de trabajo, la confianza y las tasas de error en los pasos posteriores.

En su lugar, Aristidou propone el enfoque HAIC — Human–AI, Context-Specific Evaluation. La idea es probar no un modelo en el vacío, sino cómo funciona el sistema dentro de una organización en un horizonte largo.

En sus ejemplos, las IA médicas podrían verse bien en las pruebas pero ralentizar el trabajo en los hospitales porque los médicos tenían que ajustar sus conclusiones a los estándares de informes locales y los requisitos reguladores.

Este enfoque cambia el enfoque en varias líneas:

• de tarea individual a trabajo en equipo y flujo de trabajo
• de prueba única a efecto a largo plazo
• de precisión bruta a calidad de coordinación y detección de errores
• de una respuesta única a las consecuencias antes y después de su uso

Para los negocios, este es un pensamiento incómodo pero útil. Una puntuación alta en un benchmark aún no significa que la herramienta acelerará un hospital, almacén, servicio de atención o organización humanitaria.

En un caso que describe Aristidou, un sistema fue evaluado durante 18 meses dentro de procesos reales, con seguimiento separado de cuán fácilmente las personas notaban y corregían sus errores. Solo tal prueba reveló qué salvaguardas eran necesarias antes del despliegue a gran escala.

Qué significa esto

Tanto en la historia sobre entrenadores domésticos para robots como en el debate sobre nuevos benchmarks, hay una conclusión común: la industria de IA depende cada vez menos de demostraciones llamativas y cada vez más de la calidad de la infraestructura oculta. Los ganadores no serán solo aquellos con los robots más impresionantes o las puntuaciones de prueba más altas, sino aquellos que puedan recopilar datos reales éticamente, explicar claramente las reglas para trabajar con ellos y demostrar el valor del sistema dentro de procesos reales, no solo en el escenario.