La startup Micro1, dedicada a producir datos para entrenar modelos de inteligencia artificial, llegó a una tasa de facturación bruta anualizada de 500 millones de dólares, según reportó TechCrunch. La cifra refleja el ritmo acelerado con que crecen las empresas que abastecen de información a los grandes laboratorios de IA, en un momento en que la demanda de datos de calidad se ha vuelto un cuello de botella para la industria.

La tasa de facturación anualizada (o run rate) es una proyección que toma los ingresos de un período reciente y los extrapola a doce meses. No equivale a lo facturado en un año completo, pero sirve como termómetro de la velocidad a la que escala un negocio. Que Micro1 haya llegado a ese nivel indica una expansión veloz en un segmento poco visible pero central para el desarrollo de la IA.

Por qué los datos de entrenamiento se volvieron un negocio de miles de millones

Los modelos de lenguaje —los sistemas detrás de herramientas como ChatGPT o Claude— aprenden a partir de enormes volúmenes de texto y ejemplos. A medida que los laboratorios agotan los datos disponibles en internet y buscan mejorar el razonamiento de sus modelos, crece la necesidad de datos especializados y anotados por personas: respuestas verificadas por expertos, ejercicios resueltos, evaluaciones de calidad y ejemplos etiquetados manualmente.

Ese trabajo, que combina contratistas humanos con procesos automatizados, sostiene a un grupo de empresas que compiten por los contratos de OpenAI, Anthropic, Google y otros. Micro1 no está sola: su rival Mercor habría alcanzado una facturación cercana a los 1.000 millones de dólares, según The Information, impulsada por la misma demanda de contratistas humanos que entrenan modelos.

El crecimiento de estas firmas va de la mano del gasto récord de los grandes laboratorios. Anthropic, por ejemplo, multiplicó por siete su facturación anualizada hasta rozar los 65.000 millones de dólares, y ese apetito por mejores modelos se traduce en más presupuesto para datos de entrenamiento.

Una industria bajo escrutinio

El auge no está exento de críticas. Parte del debate apunta a cómo y dónde se produce este trabajo de anotación, con señalamientos sobre las condiciones laborales de los contratistas y sobre la dependencia de mano de obra en países de bajos costos. Un reportaje de Forbes recogió los cuestionamientos de quienes critican el modelo de producción de datos para IA de Silicon Valley.

Esa discusión tiene un ángulo directo para Latinoamérica. El etiquetado y la anotación de datos son tareas que suelen tercerizarse en regiones con salarios más bajos, y varios países de la región participan de esa cadena de suministro como proveedores de trabajo remoto. Para muchos profesionales latinoamericanos, estos encargos representan una fuente de ingresos en dólares, aunque con salarios, estabilidad y protección laboral que varían enormemente según la plataforma y el intermediario.

El fenómeno también deja ver una tensión de fondo: mientras la atención pública se concentra en los modelos y en las aplicaciones que llegan al usuario final, buena parte del valor y del esfuerzo se genera en una capa menos glamorosa. Sin datos bien curados, incluso los sistemas más avanzados pierden precisión. Empresas como los agentes de IA y los asistentes que ya usamos a diario dependen, en última instancia, de ese trabajo previo.

Con laboratorios dispuestos a pagar cada vez más por datos que marquen la diferencia entre un modelo mediocre y uno competitivo, es probable que la carrera entre Micro1, Mercor y sus competidores se intensifique en los próximos meses. Queda por ver si el crecimiento se sostiene o si, como en otros segmentos del sector, la euforia inicial encuentra su techo.