DoorDash comienza a pagar a repartidores por datos para entrenar IA y robótica

DoorDash ha comenzado a pagar a algunos repartidores no solo por entregas, sino también por tareas digitales: por ejemplo, por subir vídeos cortos y otro contenido para mejorar modelos de IA. De esta manera, la plataforma está convirtiendo su red de trabajo de campo en una fuente de datos para el aprendizaje automático y la robótica.

Cómo Funciona

Según Bloomberg, en algunas regiones DoorDash está ofreciendo a los repartidores tarefas remuneradas que no están directamente relacionadas con entregar un pedido al cliente. Se trata de vídeos cortos y otras acciones digitales que ayudan a mejorar los modelos de IA y robótica. Este es un cambio importante: anteriormente, plataformas como DoorDash monetizaban principalmente la logística, pero ahora también están comenzando a monetizar el acceso a una red distribuida de personas que están constantemente "en el terreno" y pueden recopilar datos útiles de entornos del mundo real.

Este enfoque se adapta bien a la economía de las plataformas de trabajo flexible. DoorDash ya tiene una aplicación, un sistema de micropagos, una geografía de ejecutores y un mecanismo de distribución de tareas. Agregar otra capa de trabajo sobre la entrega—tareas digitales—es más simple para la empresa que construir una red separada de contratistas para la recopilación de datos.

Para los repartidores, esto parece ser una forma adicional de ganar entre pedidos, y para la plataforma misma, es una expansión del negocio hacia la infraestructura de IA sin una reestructuración radical de su servicio principal.

Por Qué DoorDash Necesita Datos

Los modelos de IA y robótica enfrentan restricciones no solo en computación sino también en calidad de datos. Necesitan ejemplos frescos del mundo real: cómo se ven los entornos urbanos, cómo cambian las condiciones de iluminación, cómo se comportan los objetos en escenarios cotidianos. Los vídeos y otras tareas digitales completadas por repartidores pueden proporcionar exactamente este tipo de material—no datos estériles de laboratorio, sino vivos y variados. Para sistemas que necesitan navegar por el mundo físico, esta información es particularmente valiosa.

Para DoorDash, este esquema ofrece varias ventajas:

• la empresa recibe un flujo de nuevos datos sin crear un equipo de trabajo de campo separado;
• la recopilación se puede escalar rápidamente a través de la red de ejecutores ya existente;
• a los repartidores se les pueden ofrecer microtareas adicionales entre entregas;
• la plataforma logística obtiene otro camino de crecimiento en la dirección de IA.

A nivel de mercado, este también es un movimiento indicativo. El artículo de Bloomberg afirma directamente que DoorDash sigue a los competidores que ya han encontrado nuevas formas de utilizar trabajadores de plataforma en el auge de la IA. Esto sugiere que la demanda de trabajo humano flexible en la industria de IA no desaparece incluso ante la automatización. Al contrario: cuanto más activamente desarrollan modelos las empresas, más necesitan personas para recopilar, verificar y reponer conjuntos de datos.

Nueva Economía del Trabajo Flexible

La historia de DoorDash muestra cómo está cambiando el papel mismo del trabajo de plataforma. Un repartidor ya no es solo transportar un paquete del punto A al punto B. Puede convertirse en participante en un pipeline digital que apoya el entrenamiento de modelos. En tal esquema, el trabajo físico y el trabajo con datos se fusionan gradualmente: el mismo ejecutor entrega comida hoy y mañana en paralelo ayuda a mejorar algoritmos de visión por computadora o sistemas robóticos.

Este giro tiene preguntas prácticas. Si tal modelo comienza a escalar, el mercado necesitará discutir cómo pagar tales tareas, dónde está la línea entre entrega y trabajo adicional digital, qué requisitos se imponen a la calidad del contenido y qué tan transparentes son las plataformas al explicar exactamente para qué se utiliza el material recopilado. Para la empresa, es una forma económica de construir su pipeline de datos, pero para los trabajadores, es una forma aún más fragmentada y atomizada de trabajo, donde cada paso adicional se convierte en una microtarea separada.

Qué Significa Esto

DoorDash demuestra que la siguiente etapa de la economía de IA se está construyendo no solo alrededor de modelos y chips, sino también alrededor del acceso a personas reales y datos fuera de línea. Las empresas con grandes redes de ejecutores están obteniendo un nuevo activo: la capacidad de recopilar rápidamente material para entrenar IA. Para el mercado laboral, esta es una señal de que el trabajo de plataforma se está incorporando cada vez más no solo en la entrega, sino en el servicio de la industria de IA misma.