Mercor alcanza los 10.000 millones de dólares contratando expertos para enseñar a la IA el trabajo de oficina

Mercor, de San Francisco, ha construido su negocio sobre una paradoja: contrata a profesionales cualificados para que enseñen a la IA a hacer su propio trabajo. Con este enfoque, la startup, fundada por emprendedores que abandonaron la universidad, ha alcanzado una valoración de 10.000 millones de dólares y se ha convertido en un actor destacado de la carrera por automatizar el trabajo de oficina.

Cómo funciona el enfoque

Para automatizar tareas de cuello blanco no basta con dar al modelo acceso a internet, documentos y correspondencia corporativa. Hacen falta ejemplos reales de cómo los especialistas toman decisiones, fijan prioridades, corrigen errores y llevan una tarea hasta el resultado.

En este esquema, Mercor hace de puente entre humano y máquina: paga a trabajadores muy cualificados por transmitir habilidades prácticas que antes quedaban dentro de la profesión y apenas se formalizaban.

En esencia, la startup convierte la experiencia humana en un circuito de entrenamiento para la IA. Si un modelo debe hacer trabajo de oficina en procesos reales y no en demostraciones, necesita no solo respuestas correctas, sino también la lógica de actuación correcta. Por eso el valor no está en un abstracto «entrenamiento de redes neuronales», sino en la recopilación masiva de patrones profesionales de calidad: cómo analizar una tarea, qué excepciones detectar, dónde revisar las conclusiones y cómo presentar el resultado para que se pueda usar en la empresa. Esa capa de conocimiento se puede escalar, actualizar y reentrenar con nuevos casos.

Por qué despegó Mercor

Para los inversores, este modelo resulta claro y escalable. Mercor no vende simplemente otro asistente de IA, sino que opera en un nivel más caro y ambicioso: intenta convertir el trabajo experto en un sistema repetible para automatizar puestos de cuello blanco.

La historia de los fundadores también aumenta el interés: la startup la crearon antiguos estudiantes que abandonaron la universidad y en poco tiempo llevaron la compañía a una valoración de 10.000 millones de dólares. En este mercado, eso se interpreta como una señal: la demanda de automatizar el trabajo intelectual ya es lo bastante grande como para justificar apuestas enormes. De hecho, Mercor no vende la promesa de un futuro lejano, sino la infraestructura para acelerarlo ya.

• El acceso a profesionales se convierte en la materia prima para entrenar modelos
• Los escenarios de trabajo reales se pueden convertir en datos, y los datos en producto
• Centrarse en tareas de oficina abre un mercado mayor que el de los chatbots masivos
• Cuanto más fielmente copie la IA la experiencia de un especialista, más visible será el efecto económico para el negocio

A quién inquieta

Lo más incómodo de la historia es que las personas ayudan, de hecho, a crear herramientas que con el tiempo pueden reducir la demanda de sus propias habilidades. Para el empleador resulta racional: primero pagar a un experto por transmitir su conocimiento y luego usar el modelo donde antes hacía falta una persona.

Para los propios especialistas el panorama es más complejo. Por ahora, estos proyectos generan ingresos y demanda de competencias, pero a la vez empujan al mercado a que parte del trabajo intelectual se vuelva estandarizado, medible y, por tanto, más fácil de automatizar.

Aun así, no todo el trabajo de oficina desaparecerá con la misma rapidez. Donde se necesitan responsabilidad, contexto, confianza del cliente, negociación o decisiones fuera de lo habitual, el humano conserva una posición sólida. Pero las partes rutinarias del trabajo de cuello blanco —preparar materiales tipo, el análisis inicial, estructurar información, operaciones repetitivas dentro de los procesos— se consideran cada vez más una zona adecuada para la IA. Mercor apuesta precisamente por esta capa de transición entre el experto humano y la máquina que aprende a reproducir sus acciones útiles.

Qué significa

Mercor muestra hacia dónde se desplaza el centro de la carrera de la IA: de las demostraciones vistosas a la captura sistemática del conocimiento profesional. Si este enfoque funciona a escala, el principal valor no serán los modelos en sí, sino el acceso a personas capaces de convertir su trabajo en un conjunto de decisiones, reglas y acciones comprensible para la IA.