- hace 1 semana
La IA parece automática, pero depende del trabajo precarizado de millones de personas. Milagros Miceli revela la labor invisible de los trabajadores de datos y los sesgos detrás de la IA y propone más espíritu crítico.
Categoría
🗞
NoticiasTranscripción
00:00Lo que vemos hoy con la inteligencia artificial es toda una industria que lleva a la creación de realidades
00:06que parecen incontestables, que parecen indiscutibles, porque además son presentadas, se nos presentan
00:12con una seguridad y con un supuesto manto de objetividad que parece que así fueran.
00:19Siempre todo lo que se habla es cómo queremos que sean las inteligencias artificiales
00:24y cómo va a ser el futuro, si nos va a dejar sin trabajo, si no, si va a venir
00:27la revolución de las máquinas
00:29y hay riesgo existencial, pero nadie nos plantea es, podemos también vivir sin estas tecnologías.
00:36Hoy día parece imposible, pero ¿qué parte de lo que sucede detrás de la inteligencia artificial conocemos realmente?
00:43Las investigaciones de Milagros Micelli en torno al trabajo humano que sostiene a la IA
00:47la llevaron a ser reconocida en 2025 por la revista Time como una de las 100 personalidades
00:53más influyentes del mundo en esta tecnología.
00:55¿Cómo se construye la IA a partir de las relaciones de poder, del trabajo precarizado y la explotación?
01:01¿Y cuáles son las perspectivas para el sur global?
01:04De eso y más, conversamos en una entrevista exclusiva para Enlaces.
01:08¡Bienvenidos!
01:12La primera pregunta que quería hacerte, porque me parece que las investigaciones que haces,
01:16bueno, además de que son pioneras, reconocidas ya en diferentes ámbitos, son muy particulares.
01:22Entonces, teníamos, o tengo la duda de cómo llegaste a esa idea de pensar que detrás de toda esta fanfarra,
01:31por ponerle algún nombre, de la inteligencia artificial, hay una máquina mucho más humana
01:36y que se esconde allí y que no todos vemos.
01:40¿Cómo llegaste a pensar eso? ¿Cuál fue tu primera interacción con la inteligencia artificial?
01:44¿Cómo pensaste eso? ¿De dónde surgió esa curiosidad?
01:47Bueno, vos decís que no, es una idea especial. A mí la verdad es que no me parecía,
01:51a mí me parecía lo más normal del mundo, si te soy sincera.
01:55Yo, primero que nada, soy socióloga, antes que ingeniera informática,
01:58y cuando llegué aquí, a este lugar, al Weizemann Institute,
02:01me contratan en un grupo donde todos venían de la informática.
02:05Yo era la única socióloga.
02:06Y por supuesto que mis compañeros hablaban de cuestiones técnicas, lo cual es muy interesante,
02:10pero yo como socióloga me preguntaba, bueno, ¿y esto cómo se hace?
02:13¿Y cómo está distribuido el poder dentro de este hacer de estas tecnologías?
02:19Y además de eso, también viniendo de una familia de clase trabajadora,
02:23la verdad es que nunca me pareció que si algo existe, siempre me pareció que si algo existe,
02:27alguien lo está haciendo y alguien trabaja para eso.
02:30Entonces, preguntarme un poco quiénes están produciendo estas tecnologías,
02:34porque de que son milagrosas o de que son mágicas, no me parecía,
02:39me pareció como un poco la consecuencia natural.
02:42Pero sí que es cierto que, no sé si quizás los medios o la gente que,
02:48quienes construimos la narrativa de la inteligencia artificial,
02:50nos concentramos más en el, por ejemplo, en el famoso progreso de la tokenización,
02:54en cómo se vuelve una palabra, en un elemento que, digamos,
02:58la máquina pueda entender y leer y codificar, etcétera.
03:02Bueno, a ver, vamos por partes.
03:04Creo que acá pasan dos cosas, ¿no?
03:05La primera es por qué la narrativa se concentra, no en estas personas,
03:11sino en esto del algoritmo, de la tecnología, del poder de cómputo.
03:15La primera es porque esta es la parte que visibilizan quienes crean estas tecnologías.
03:19La otra parte, la del trabajo manual, no está tan visibilizada.
03:23Y esto, en la charla vamos a ver que es intencional también.
03:27Esto por un lado.
03:28Y la segunda cosa es que, también, por supuesto que es mucho más interesante
03:32y es mucho, brilla mucho más y tiene mucha más novedad el tema del avance tecnológico,
03:38¿no?, de cómo estas tecnologías vienen, en muchos casos, se dice,
03:42a romper con paradigmas de la tecnología y de la ciencia y de la técnica.
03:46Entonces, bueno, por supuesto que ahí es donde se pone la atención.
03:49Es decir, ¿tú sentías que detrás de esto habían personas trabajando?
03:54¿Lo intuías o tuviste algún momento en donde te encontraste con alguien
03:58que estaba trabajando, alimentando datos, o cómo fue esa llegada?
04:02Yo, si te soy sincera, cuando llego a este tema, no, no conocía a nadie.
04:06No es que intuía, sino que estaba segura que había gente creando esto.
04:10No sabía bien en qué puestos, ni cómo, ni cuándo, pero entendía que se necesitaba,
04:14para crear estas tecnologías y para mantenerlas funcionando, se necesitaba personas
04:19que trabajen detrás de esto.
04:21La verdad es que me sorprendo mucho, ¿no?, y cuando llego a eso y a conocer
04:25a las primeras personas, yo, por supuesto, que voy con un montón de preguntas
04:30y un montón de incógnitas, porque nunca había hablado con nadie que hiciera este trabajo.
04:34Y cuando llego a eso, empiezo a hacer los primeros trabajos de investigación
04:38y después los presento a colegas.
04:41Me doy cuenta que, bueno, esto era un tema que no estaba muy explorado.
04:44Entonces, bueno, así es como, bueno, empecé a hacer esta carrera
04:48y me empecé a interesar por esto, porque también entendí que alguien
04:50tenía que hacer este trabajo de investigación.
04:53Ok, entonces, por un lado, digamos, sí que hay una operación más,
04:59vamos a ponerle un nombre, computacional, en donde hay una información
05:02que sí tiene que ser indexada en un sistema.
05:05Esto tú también lo has analizado y señalas que esto también contiene
05:09un alto componente político.
05:11Pero, por otro lado, hay toda una realidad laboral que muchos no conocíamos,
05:17que muchos aún no conocen, y que tiene que ver con un trabajo,
05:21como lo señalas tú, invisibilizado.
05:24¿Qué es ese trabajo? ¿De quién estamos hablando?
05:26¿Y en dónde se ve? ¿O dónde se está llevando a cabo ese trabajo?
05:31Bueno, estamos hablando de cientos de millones de personas, según el Banco Mundial,
05:36de hasta 430 millones de trabajadores y trabajadoras.
05:39Es increíble, ¿no? Estamos hablando de casi la población,
05:43un número que se parece a la población total de la Unión Europea.
05:46Entonces, digo, es un número enorme.
05:48Y estos solamente son los trabajadores que tienen el título de trabajador,
05:53trabajadora de datos.
05:53Ahora bien, hay un montón de trabajo que también lo hacemos vos, yo y todos nosotros,
05:58los usuarios, que también tiene que ver con seguir refinando
06:01y conseguir alineando esos sistemas para que cada vez funcionen mejor
06:05o cada vez funcionen mejor según lo deseado.
06:10Entonces, ¿de qué estamos hablando cuando hablamos de este tipo de trabajo?
06:13Estamos hablando básicamente de cuatro tipos de tareas.
06:16La primera tiene que ver con crear datos.
06:17Como sabemos, la inteligencia artificial vive de esos datos.
06:21El combustible de la inteligencia artificial son grandes cantidades de datos,
06:25grandes masas.
06:25Esos datos alguien los tiene que generar.
06:28Y generar es a veces buscar imágenes o audios o textos que ya existen,
06:34pero otras veces hay que crear esos datos.
06:37Entonces, a un trabajador o una trabajadora, para poner un ejemplo,
06:40se les pide que se graben su propia voz,
06:42que lean un pasaje de dos oraciones y se graben su propia voz,
06:46que tomen una foto de su mascota y la suban,
06:50que busquen fotos de plantas determinadas en su área y la suban, etc.
06:55Eso sería una tarea de generación.
06:56Después, esos datos hay que interpretarlos,
06:59hay como se les dice que etiquetarlos, hay que anotarlos.
07:02A partir de ahí, un trabajador lo que hace es mirar esas imágenes.
07:07Por ejemplo, una imagen de una planta y decir,
07:08esto es una hoja, esto es el tronco.
07:11Empieza a etiquetar qué es lo que ve dentro de esas imágenes
07:15o si es un texto, empieza a transcribir esos textos o si es un audio.
07:20O sea, lo que me estás diciendo es que la codificación, digamos,
07:23que ese proceso que muchos le llaman también tokenización,
07:27de una forma un poco más amplia,
07:30¿eso está mediado por la interacción humana?
07:32Por supuesto, por supuesto.
07:34Por supuesto que...
07:36Porque tenemos la idea de que está todo automatizado
07:38y simplemente, recuerdo, recientemente lo presentamos aquí en enlaces,
07:42estos libros que estaban siendo destruidos para ser automatizados
07:45y metidos, digamos, en una máquina de escáner que automáticamente...
07:49Ese es el ejemplo perfecto.
07:51Esa es una tarea de generación de datos.
07:53Hay una persona que está escaneando esos libros.
07:55Esos libros no se escanean por el aire, digamos, en el éter.
07:59O hay una persona que va y los mete en un escáner, los escanea,
08:02después se destruyen, etc.
08:04Esa tarea es una tarea de generación de datos.
08:09Llevado al extremo, cuando hay cuestiones de copyright,
08:12cuando hay cuestiones, ¿no?, como empiezan a aparecer,
08:15ya un libro ya no se puede escanear
08:16o se les acabaron los textos de cierto tipo porque ya no existen,
08:20entonces contratan, por ejemplo, escritores que les escriban historias específicas
08:24para entrenar modelos específicos.
08:26Son tareas de generación de datos.
08:27Esto de que, esta idea de que esto se hace automático,
08:31no sé, esos datos se generan en el aire o en la nube,
08:36no es verdad y no era verdad hace 10 años
08:38cuando yo empecé a hacer este trabajo o a investigar este trabajo
08:42y no es verdad hoy, ¿no?
08:43A veces se habla de cómo el trabajo de datos también se va a automatizar.
08:47Por supuesto que hay partes del trabajo de datos que se van automatizando,
08:50pero las tareas fundamentales siguen existiendo.
08:54¿Has podido recabar en tus investigaciones qué parte del proceso corresponde a qué empresas?
09:04¿Has llegado a saber, digamos, qué empresas?
09:07Porque hasta donde entiendo esto es todo tercerizado.
09:09Tercerizado queremos decir que contratan a una empresa particular
09:12que a su vez contrata a la persona que trabaja en el sur global, ¿no?
09:18y esta persona hace esta labor de recolección de datos.
09:21¿Has rastreado o tienes alguna información sobre qué empresas gustan particularmente de X datos
09:29o cómo funciona esto a nivel...?
09:31No, es muy variado, digamos.
09:34Es innegable y, digamos, algo que pudimos rastrear
09:36es que todas las gigantes tecnológicas hoy en día tercerizan este trabajo de datos.
09:42Es decir, todas las gigantes tecnológicas están en la creación de contenido
09:46para alimentar sus modelos de inteligencia artificial.
09:48Y si no es eso, tareas que tienen que ver con afinar o alinear mejor sus modelos, ¿no?
09:56Que esto también sea una interacción permanente del trabajador, del ser humano,
10:00con estos modelos para controlar a ver a dónde se va a salir de la raya,
10:04a dónde hay que ajustar un poquito la tuerca, ¿no?
10:07Esto es trabajo típico y otra vez se necesitan miles de personas haciendo este trabajo.
10:12Todo el tiempo, cada empresa contrata un montonazo de trabajadores que hagan esto.
10:19También es muy variado y en algunos casos las empresas,
10:22por ahí que no se dedican específicamente a un tipo de desarrollo,
10:26de un tipo de modelo, en muchos casos desarrollan también conjuntos de datos por las dudas.
10:33Entonces, hay proyectos, ¿no?
10:34Esto lo vemos en algunas de estas empresas tercerizadoras.
10:37Si uno se pone a trabajar en una de estas empresas tercerizadoras o hacer investigación,
10:40ve que le llegan proyectos tanto de Meta como de Google, como de OpenAI,
10:46como de distintas gigantes tecnológicas.
10:48Y los proyectos son muy variados.
10:50En algunos casos están etiquetando contenido que tiene que ver, bueno, con cosas terribles,
10:56contenido que tiene que ver con la guerra, contenido con imágenes de violencia.
11:00En otros casos se trata de texto, en otros casos se trata de generar imágenes.
11:05Entonces, bueno, hemos visto, por ejemplo, esta es una tarea que hemos visto en los últimos meses,
11:10que les piden a los trabajadores que usen como una vincha, como un headset,
11:15ponen una cámara ahí y lo que sucede en ese sentido es que se les pide que graben
11:20o que tomen imágenes de su día a día, ¿no?
11:23Incluso con sus hijos, incluso con sus mascotas, incluso con sus familias.
11:28Entonces, bueno, digo, todo esto sucede y esto tiene que ver, se hace todo el tiempo
11:32y se necesita todo el tiempo esta nueva generación de datos
11:35porque los modelos se perfeccionan permanentemente.
11:37Claro, pero veo entonces que hay una dinámica de cambio importante, ¿no?
11:41Al principio quizás era un tipo de datos y ahora es otro tipo de datos mucho más invasivo,
11:47según lo que dices.
11:47Entonces, alguien podría pensar, un tecnooptimista, que esta es una fase, digamos, una fase
11:53del desarrollo, del empleo y de esa transformación laboral
11:59que está llevando a cabo la inteligencia artificial, que es objeto de debate, ¿no?
12:03Hay algunos que dicen que sí, que bueno, que además es difícil, siempre es difícil.
12:07Me da la sensación a mí caracterizar un panorama laboral tan grande en el mundo
12:11y dar una sola razón. No es así, no estamos en simplemente una fase
12:17y probablemente esto cambie en el futuro y va a obligar a muchos trabajadores
12:21a calificarse más, que eso es, digamos, la promesa, ¿no?
12:23Que se calificarán para asumir otro tipo de tareas, mucho más mejor pagas
12:27y con menos estrés, digamos, y unas mejores condiciones.
12:32En lo que concierne al trabajo de datos, tengo que decirte que no,
12:35no se va a terminar automatizando todo este trabajo, digamos, es imposible que esto suceda,
12:40siempre se va a necesitar trabajadores que siempre se necesita del juicio humano
12:46para que estos modelos puedan seguir avanzando y puedan seguir funcionando.
12:53Pensa, por ejemplo, en el lenguaje, ¿no?
12:54Una palabra que por ahí hoy tiene un significado, mañana, no sé, la toma la juventud,
13:00por decirlo de una manera, le cambia el significado y de repente es un insulto.
13:04Bueno, eso, para eso, para ir refinando esos modelos,
13:07para que ese modelo no siga reproduciendo esa palabra el día de mañana,
13:10cuando se convierte en un impulso, en un insulto, como si fuera una cosa buena,
13:14se necesitan personas que le indiquen al modelo, que lo marquen,
13:18marquen esta dualidad de la palabra.
13:20Y esto siempre está presente en todo momento con el lenguaje.
13:24Bueno, para esto se necesitan los seres humanos todo el tiempo
13:27y es imposible automatizar esta tarea.
13:29Ahora, si vos me preguntas, ¿es verdad que todos nuestros trabajos se van a automatizar?
13:33Bueno, varía según la industria.
13:36En el trabajo de datos, esto de que pronto estos modelos van a ser totalmente autónomos
13:42y totalmente no van a necesitar de la gente, es una mentira.
13:45Hay otra dinámica muy importante y es, ya entrando más en concreto con estas personas,
13:51poniéndoles cara.
13:52Hay unos ingenieros, digamos, especialistas en datos que se los pelean las empresas
13:55como si fueran grandes estrellas del fútbol y con unos súper sueldos.
14:00Y luego está esta gente que también hace parte del trabajo, están en una gran cadena,
14:05como cualquier revolución tecnológica.
14:07Hay unos, digamos, que cargan una parte más oscura del trabajo que otros.
14:13¿Qué diferencia a este tipo de personas?
14:16Estas que ganan mucho, estos grandes ingenieros.
14:19¿Y por qué para ti los más importantes, según lo que conocemos de tu investigación,
14:25son estas otras personas invisibilizadas?
14:27Bueno, hay varias cosas y acá quiero marcar un poco la evolución en el tiempo.
14:34Hace 10 años yo hacía mucho esta diferencia entre el ingeniero superestrella,
14:38que además lo representaban como el genio visionario y conocíamos sus nombres.
14:45Muy romantizado.
14:46Y a diferencia de estos miles, cientos de millones de trabajadores que estaban tan precarizados,
14:52a quienes se les pagaba unos centavos por cada tarea, que no trabajaban a través de estas empresas
14:58o a través de plataformas, incluso en algunos casos donde no tienen ninguna protección,
15:03donde no son empleados de las empresas.
15:05Yo siempre hacía esta diferencia.
15:07Ahora bien, la evolución, de cómo viene evolucionando la cosa,
15:10llegamos al punto donde también los ingenieros comienzan a estar precarizados.
15:15Por supuesto que no vamos a comparar y por supuesto que todavía están los 10 superingenieros,
15:19superestrellas a quienes no se los pasa, como vos decías, como jugadores de fútbol de una empresa a otra.
15:25Esto todavía existe.
15:27Pero la masa trabajadora de los ingenieros que antes, hace pocos años,
15:32los creíamos tan privilegiados y los creíamos como la elite de la tecnología,
15:36hoy en día lamentablemente ya no.
15:38No, te doy un ejemplo.
15:40Por ejemplo, en Meta, la empresa de tecnología, que empiezan a tomar registro,
15:45en Meta anunciaron que empiezan a tomar registro de los movimientos de los mouse
15:49y de los teclados de sus ingenieros.
15:52Entonces, empiezan un poco a enseñarle a sus modelos de inteligencia artificial,
15:59bueno, también a hacer este trabajo.
16:00Y también hay mucho temor entre los ingenieros, especialmente entre los programadores junior,
16:05bueno, ¿qué va a pasar con esos trabajos? ¿Qué sucede?
16:08Entonces, digo, esos trabajos que también, como te digo,
16:11parecían un poco resguardados de todos estos cambios tecnológicos,
16:15hoy en día ya no, parecen no estarlo tanto.
16:20Vos me preguntabas igual, ¿qué diferencia unos a otros?
16:23Esto todavía es verdad y lo que los diferencia es que, por un lado,
16:26la presencia de los ingenieros en cualquier empresa tecnológica está bien anunciado,
16:31no está oculto, las empresas hablan de esto, salen noticias,
16:35se entiende que es una masa trabajadora, que es su masa trabajadora,
16:38también están contratados por las empresas mismas, ¿no?
16:42En general, los ingenieros de Google trabajan en las oficinas de Google
16:46y lo mismo es verdad para las otras empresas.
16:49En cambio, estos trabajadores de datos, ninguna empresa tecnológica tiene en su página web
16:54un apartado donde dice nosotros empleamos a tantos trabajadores de datos
16:58a partir de tal plataforma en tal país del sur global.
17:03Ninguno, digamos, hace alusión a esto.
17:05En Estados Unidos, hace poco, nosotros colaboramos con el senador Markey,
17:11que tuvo que mandar una carta de carácter parlamentario
17:15a las cinco empresas tecnológicas más grandes de Estados Unidos
17:17para preguntarles, para que finalmente dijeran
17:20quiénes, cuántos trabajadores de datos tenían, quiénes eran
17:24y dónde los tenían y en qué condiciones laborales estaban trabajando.
17:29Pero si son tercerizados, ¿qué respondieron?
17:32Bueno, tuvieron que responder, sí, nosotros subcontratamos,
17:35por supuesto que ellos siempre se apañan en la subcontratación,
17:38entonces dicen, bueno, nosotros subcontratamos a tal empresa,
17:42tal empresa, tal empresa, en Kenia, en Venezuela, en Brasil,
17:46en, no sé, digamos, distintos países, en las Filipinas,
17:50y ellos son quienes se encargan de las condiciones laborales.
17:53Por supuesto que esto de la tercerización también pone a las empresas de tecnología
17:57al resguardo, digamos, en un resguardo legal, donde no pueden hacer,
18:04no se hacen cargo de las condiciones laborales de estas personas, ¿no?
18:08Y siempre está esta discusión de, las empresas tecnológicas van a decir,
18:12ah, no, no son mis empleados, si la están pasando mal,
18:15eso es culpa de la empresa tercerizadora.
18:17Y la empresa tercerizadora muchas veces dice, bueno, pero la empresa,
18:21el cliente, que en este caso son las gigantes tecnológicas,
18:24es quien impone sus condiciones, sus reglas, su pago, sus pausas,
18:29sus métricas, incluso las interfaces y los sistemas que se usan.
18:32El resultado de las investigaciones que has hecho y ha hecho tu equipo,
18:36o las personas con las que has estado asociadas, instituciones, universidades, etc.,
18:41han hecho cosas magníficas, hay videos, hay cartillas, hay un montón de cosas,
18:45pero esto todo cuentan historias.
18:47Como aquí no las tenemos todas, te pido que nos cuentes un poco
18:51los highlights, las cosas más importantes que has descubierto,
18:55de estos rostros invisibilizados.
18:56Por supuesto. Sí, sí, yo creo que más allá de los números,
18:59es muy importante ponerle cara a estas personas,
19:02porque, digamos, otra vez, cada una tiene su historia.
19:05Nosotros dentro del proyecto en el que estamos trabajando,
19:08que se llama Data Workers Inquiry,
19:10que es un proyecto especial en el sentido de que no somos nosotros,
19:13los y las investigadoras, primariamente quienes hacemos la investigación,
19:17sino que invitamos a estos y a estas trabajadoras invisibilizadas
19:21a que vengan a hacer investigaciones propias,
19:23y que vengan a hacer investigaciones que también sean importantes
19:27para ellos y ellas, ¿no?
19:28Que los ayuden en inicios de organización, incluso sindical,
19:34si así lo quieren, para reclamar mejores condiciones laborales,
19:37para entender un poco cómo funciona su sector, etc.
19:40Bueno, ahora en este momento tenemos 25 colaboradores
19:43y colaboradoras, trabajadores de datos de todo el mundo,
19:46de, diría que de 12 países en cinco continentes,
19:52y estas son las piezas que se pueden ver.
19:54Una gran parte de trabajadores de datos son mujeres, ¿no?
19:58Y esto también es importante decirlo, porque, claro,
20:00al ser un trabajo que en muchos casos se puede hacer desde la casa,
20:04se cree que combina muy bien con tareas de cuidado.
20:06¿Por qué? Porque estas personas trabajan desde las plataformas, etc.
20:10Entonces, hay muchas mujeres haciendo ese trabajo.
20:12En los trabajos, en los reportes que ellos y ellas hacen, ¿no?,
20:16dentro de nuestro repositorio, lo que se puede ver es que en el caso
20:19de las mujeres también hay formas muy especiales de violencia que se ven,
20:23más allá de la violencia económica, la violencia laboral, ¿no?,
20:26esto de la falta de protección, el daño psicológico, ¿no?,
20:30que ahora voy a decir algo sobre esto, porque tenemos varios trabajos sobre esto,
20:33pero en el caso de las mujeres a todo esto se le suma,
20:35en muchos casos, violencia de género.
20:37Hemos tenido trabajadoras que en sus reportes denuncian incluso violencia sexual,
20:42dentro de los lugares de trabajo.
20:45El caso de las mujeres migrantes, ¿no?, que en muchos casos también un poco
20:50como que quedan presas de esta industria porque no tienen otra opción,
20:54ni hablar de las mujeres refugiadas.
20:56Tenemos el caso de Rukaya Alhamada, que es una persona, una mujer refugiada,
21:03es de Siria y está como refugiada en el Líbano, ¿no?
21:07Y en su reporte ella cuenta, bueno, nosotros, las personas refugiadas,
21:12tenemos esto de que por las leyes laborales que aplican a cada lugar de acogida,
21:16no podemos trabajar en cualquier industria, no podemos hacer cualquier tipo de trabajo,
21:20solo podemos trabajar algunas horas.
21:23Entonces, quedamos medio presos, no nos queda otra opción que trabajar en esto,
21:28con toda la explotación que eso conlleva, ¿no?
21:30Y antes decía, bueno, esto de la cuestión del daño psicológico.
21:35Tenemos varios reportes, inclusive uno de una trabajadora de la región de Tigray,
21:44que es en el cuerno de África, se lo conoce como así,
21:48que, bueno, atravesó una guerra terrible, sanguinaria, con matanzas,
21:53está en discusión si fue un genocidio entre 2020 y 2022, si no me equivoco,
21:59y ella escapa esas matanzas y esa situación tan terrible en su región
22:04y termina en Kenia siendo moderadora de contenido.
22:07Pero para su pesar, termina siendo moderadora de contenido,
22:10moderando contenido que venía de esa región y de las matanzas, ¿no?
22:15En muchos casos eran videos, estas tareas de las que hablábamos antes,
22:19enseñarle al modelo qué cosas no tiene que reproducir,
22:22enseñarle al modelo qué cosas están mal.
22:24Entonces, ella recibía todo el tiempo videos, imágenes de estas matanzas de su país.
22:29Entonces, había escapado a una guerra terrible, a una violencia, digamos, innombrable,
22:35y termina trabajando, sobreviviendo, haciendo trabajo,
22:38viendo esas mismas imágenes de esa misma violencia.
22:41Y finalmente, en este caso de la salud mental,
22:44tenemos el trabajo de Kauna Malwey, que es una mujer de Nigeria,
22:48que también termina trabajando en Kenia como trabajadora de datos.
22:53Pero ella, además, termina haciendo este trabajo,
22:55porque como migrante no la reconoce en ella, es psicóloga, es terapeuta,
22:59no la reconoce en su título y termina haciendo este trabajo.
23:01Y a partir de su conocimiento en psicología y en salud mental,
23:06termina escribiendo todo un reporte sobre las dolencias de estos trabajadores
23:10y sobre lo terrible que es este trabajo sobre la salud mental.
23:13Y con ella colaboramos también para crear una iniciativa
23:17para proveer algunos recursos de salud mental para esta población trabajadora.
23:22De todos los impactos que tú pudiste ver, ¿cuál fue el que más te llamó la atención?
23:27Yo creo que es justamente el impacto en la salud mental, ¿no?
23:32Porque el impacto en la salud mental tiene muchas aristas, digamos,
23:35y toca muchos puntos que son claves dentro del trabajo de datos.
23:40El tema de la salud mental tiene que ver con la incertidumbre
23:43de no saber si mañana vas a tener un trabajo.
23:45Tiene que ver con trabajar por una plataforma
23:48que te paga, digamos, por trabajo o por clic
23:52o por foto que uno sube o por imagen,
23:55pero uno no sabe si al final va a poder pagar el alquiler
23:57o si va a tener lo suficiente para poner comida en la mesa.
24:00Que de nuevo no es una gran compañía, sino es una empresa contratada.
24:06Exactamente, o incluso una plataforma.
24:08Cuando hablo de plataformas estoy hablando de una modalidad de trabajo
24:11parecida a la del Uber o la del Rappi, ¿no?
24:14Esto de te pago por la tarea realizada, no te pago por tu tiempo.
24:17No tenés ningún tipo de protección, no te pago aportes,
24:21no hay jubilación el día de mañana, no hay obra social, digamos,
24:24o sistema de salud para contener si vos tenés algún problema.
24:28Esto por un lado. Ahora bien, recién hablábamos de la gente
24:31que trabaja con contenido violento, con contenido realmente
24:35que es muy terrible para la salud mental de uno.
24:39Y a mí me parecía como al principio, yo sin saber decía,
24:42bueno, entiendo que alguien que trabaje leyendo, por ejemplo,
24:46los entrenadores de Chachipití en Kenia,
24:49trabajaron mucho tiempo revisando textos,
24:54textos que contenían cosas terribles,
24:56descripciones gráficas de pedofilia, de violencia extrema,
24:59de matanzas, de tortura, ¿no?
25:01Puedo entender que esa gente quede con graves secuelas
25:05en la salud mental, pero una trabajadora me decía algo
25:08que a mí me impactó mucho y ella decía,
25:09no, no, no, es el contenido, sí, el contenido es terrible
25:13y es un trabajo muy difícil que hacer,
25:15pero no es más difícil que el trabajo del minero
25:18o del bombero, ¿no?
25:19Son trabajos de riesgo y alguien lo tiene que hacer
25:22y estamos muy orgullosos de hacer este trabajo
25:24y de hacer este trabajo si ayuda al resto de los usuarios
25:28a no tener que confrontarse con estas cosas terribles.
25:31Digo, en un punto se sienten muy orgullosos
25:32y se sienten casi héroes haciendo este trabajo,
25:35pero lo que ella me decía es, no es solamente el contenido,
25:38es el contenido dado en un sistema de trabajo,
25:42en un sistema laboral donde las condiciones son de explotación.
25:45Es el contenido que yo tengo que ver y me dan solo 50 segundos
25:50para, no sé, ver un video donde hay una violación masiva,
25:56donde yo tengo que tomar una decisión y marcar qué es,
25:59etiquetarlo, tomar una decisión,
26:02recuperarme dentro de esos 50 segundos
26:04y pasar a la siguiente pieza de contenido
26:06que es igual o peor a la que acabo de ver.
26:08Entonces, todo eso, una jornada laboral de 8 horas
26:11donde tu tarea es cada 50 segundos ver algo terrible,
26:14sin pausa, sin descanso, sin contención psicológica,
26:18sin una obra social donde puedas hablar con un terapeuta,
26:21es terrible.
26:22Y además de eso,
26:23estas personas firman acuerdos de confidencialidad
26:26y este era el segundo factor que nombraba esta trabajadora
26:28y me decía, yo no tengo ni siquiera la posibilidad
26:31de hablar de esto con mi familia,
26:32no tengo la posibilidad de ir un fin de semana
26:34a hablar con un amigo o una amiga y decirle,
26:38me está pasando esto, no estoy durmiendo,
26:39tengo pesadillas porque estoy trabajando en eso.
26:42Por supuesto que además hay cuestiones
26:44que tienen que ver con la vergüenza,
26:45con el miedo a que la gente piense
26:47que uno está haciendo algo ilegal,
26:48esto lo decían varios trabajadores
26:50que trabajaban revisando imágenes de pedofilia,
26:53decían, no le quiero contar a mis amigos
26:54a ver si piensan que me gusta
26:57o que esto que hago es ilegal.
26:59Entonces digo, hay mucho secretismo
27:01y eso por supuesto que no ayuda
27:03con la cuestión de la salud mental.
27:05De lo que, primero,
27:06de lo que tú has recabado en información
27:08en investigación ha derivado
27:10en algún tipo de modificación
27:12en las leyes, particularmente
27:14en América Latina, locales.
27:15Yo sé, por ejemplo, que en varios países
27:17ya Uber ha sido investigado
27:19por Ministerios del Trabajo.
27:20Hay varias investigaciones abiertas
27:22a plataformas de delivery, como es RAPI.
27:25En fin, hay todo un, digamos,
27:28o hubo en su momento un movimiento.
27:29¿Qué destacarías de eso si existe?
27:33Y, segundo, ¿qué otras perspectivas
27:35pueden brindar una luz en el futuro?
27:38Sí.
27:39Bueno, en América Latina
27:40la verdad es que el tema
27:41del trabajo de datos,
27:43a diferencia de lo que es el Uber,
27:44de lo que es el RAPI,
27:45no está tan investigado
27:46y no está tan llevado
27:47a la cuestión legislativa
27:49o la cuestión laboral
27:50en los respectivos ministerios
27:52de los países.
27:53¿Por qué se da esto?
27:54Bueno, porque los trabajadores,
27:55a diferencia de un Uber
27:56que uno lo ve por la calle
27:57o de un RAPI
27:58que anda con su mochilita
27:59o en su bicicleta,
28:00el trabajador de datos
28:02queda invisibilizado
28:04dentro de la cadena de producción
28:06de la inteligencia artificial.
28:07También, porque el Uber
28:08tiene un impacto brutal
28:09en el tema de movilidad
28:11que para nosotros,
28:12quienes lo sentimos mucho más.
28:14Por supuesto.
28:15Por supuesto.
28:15Entonces queda
28:16este cuasi monopolio de Uber,
28:18por supuesto que los usuarios,
28:19todos terminamos tomándonos Uber.
28:22Entonces, bueno,
28:23sucede eso.
28:24Entonces,
28:26cuando se habla de trabajo
28:27de plataforma en América Latina,
28:29lo que sucede es que muchas veces
28:30no se habla propiamente
28:32del trabajo de datos
28:33o no se lo tiene tanto en cuenta.
28:35Esto era de la misma manera
28:37también en Europa.
28:39Nosotros, por ejemplo,
28:40cuando hace dos años
28:41se discutió en el Parlamento Europeo
28:44la directiva de trabajo
28:46de plataformas,
28:47que finalmente termina siendo aprobada,
28:49tampoco estaban pensando,
28:50habían invitado a todos los sindicatos,
28:52a todas las organizaciones
28:53de trabajadores
28:54de distintos,
28:55de toda Europa,
28:55pero claro,
28:56estaba otra vez el Uber,
28:58había distintos representantes,
28:59pero no había representantes
29:00de los y las trabajadoras de datos.
29:03Nosotros,
29:03a mí me invitan como experta,
29:05algunos miembros del Parlamento,
29:07bueno,
29:07escuchan esto del trabajo de datos,
29:09me invitan como experta
29:10y yo lo que digo es,
29:12no,
29:12yo no voy a ir a hablar
29:13por los trabajadores,
29:14vamos a ir con trabajadores
29:15y trabajadoras de datos
29:17a que hablen ellos mismos.
29:18Y ahí también tuvimos la suerte
29:20de traer a una trabajadora de Venezuela,
29:23Oscarina Fuentes,
29:24para que venga también a hablar
29:25de la situación de América Latina,
29:27¿no?
29:28Y eso contribuyó a que,
29:29dentro de esta legislación europea
29:32del acta de trabajo de plataformas,
29:35también se incluyera explícitamente
29:36al trabajo de datos.
29:38A partir de ahí,
29:39pasan varias cosas,
29:40bueno,
29:40sí,
29:41a mí me llaman del Senado en Argentina,
29:43me llaman del Parlamento del Mercosur,
29:45para empezar a hablar de estas cuestiones.
29:47Todavía están,
29:48son conversaciones,
29:51si se las puede poner de alguna manera.
29:54Pero ya hay un debate.
29:55Pero ya hay un debate.
29:56Y además quiero decir que,
29:57siempre la legislación
29:58viene mucho más atrasada
29:59que la lucha,
30:00por ejemplo,
30:00de los trabajadores.
30:01Los trabajadores en América Latina
30:03se están organizando
30:04y eso sucede con o sin
30:05el interés de los y las parlamentarias,
30:08¿no?
30:09Hace muchísimos años,
30:10por ejemplo,
30:11que hemos observado
30:12en Venezuela y en Colombia
30:14grupos de WhatsApp
30:15y grupos de Telegram,
30:17y de Facebook,
30:18de trabajadores y trabajadoras
30:20que se organizan,
30:21que están pidiendo
30:21por mejores condiciones laborales,
30:23que se advierten
30:24si hay una plataforma
30:28o un cliente
30:29o una empresa que no paga
30:31o que tiene condiciones
30:33especialmente injustas
30:34para los trabajadores.
30:35Se advierten en ese sentido,
30:37piden mejores condiciones.
30:38Digo,
30:38esto sucede
30:39en muchos lugares,
30:41en algunos lugares,
30:43no en muchos lugares,
30:43pero,
30:44por ejemplo,
30:44en Argentina
30:45se están formando
30:46organizaciones sindicales,
30:47bueno,
30:47está el sindicato
30:50de los informáticos
30:51que también engloba
30:53a estos y estas
30:54trabajadoras de datos
30:55porque los consideran
30:56trabajadores de la tecnología
30:58tanto como
30:59el ingeniero informático.
31:00Un consejo
31:01o una idea
31:03o quizás una propuesta
31:04si estuvieras
31:05en cabeza
31:06de estos nacientes
31:08sindicatos,
31:09Argentina que tiene
31:09una historia sindical
31:10amplia,
31:11grande,
31:11generosa,
31:13si estuvieras
31:14ahí a la cabeza,
31:16¿qué harías?
31:16Y si estuvieras
31:17del otro lado
31:18de un ministerio
31:19del trabajo
31:19y tuvieras que tomar
31:20alguna medida,
31:22¿se te ocurre
31:22algo concreto
31:24que pudiera
31:24cambiar la situación?
31:26Sí, bueno,
31:27no me lo tengo
31:28que figurar
31:29porque colaboramos
31:30activamente
31:31con sindicatos,
31:32bueno,
31:32por ejemplo,
31:33con AGC
31:33que es la Asociación
31:34Gremial de Computación
31:35en Argentina,
31:36colaboramos activamente,
31:38entonces entiendo
31:40que en ese caso
31:41siempre mi primer consejo,
31:43la primera cosa
31:44que digo es
31:45piensen en el trabajo
31:46de datos
31:47como algo amplio,
31:48todo el mundo
31:49en este sentido
31:49estamos haciendo
31:50trabajo de datos
31:51cuando un usuario
31:54resuelve un captcha
31:55en internet
31:56está haciendo
31:57trabajo de datos
32:00cuando un usuario
32:02le dice
32:02a un modelo
32:03de inteligencia artificial
32:04como por ejemplo
32:06GPT
32:07si le gustó
32:08o no le gustó
32:08o qué respuesta
32:09le parece mejor
32:10está haciendo
32:11trabajo de datos
32:12entonces pensemos
32:13en el trabajo
32:14de datos
32:14como algo amplio
32:15porque si no parece
32:16que fuera algo
32:17que está muy lejano
32:18y sobre todo
32:18en América Latina
32:19parece que es algo
32:20que le sucede
32:21a otros y a otras
32:23pero en realidad no
32:23entonces creo que
32:24por ejemplo
32:26en la iniciativa
32:27del sindicato
32:27en Argentina
32:28de pensar
32:28desde la informática
32:30pensarse como
32:30trabajadores
32:31de la tecnología
32:32ampliamente
32:33y entonces pensar
32:34que estos trabajadores
32:35de datos
32:35también lo son
32:36me parece fundamental
32:37y después
32:38con respecto
32:39a la política
32:40y esto de los ministerios
32:41yo creo que es
32:42importantísimo
32:44pensar
32:45a quienes escuchamos
32:47porque a veces
32:48se habla
32:48de la legislación
32:50o se habla
32:51de medidas políticas
32:52y se piensa
32:53ah bueno
32:53se legisló
32:55por ejemplo
32:55acá en Europa
32:56salió
32:58el acta
32:59del internet
33:00perdón
33:01de la
33:01de la inteligencia artificial
33:02el acta
33:03de la inteligencia artificial
33:04entonces bueno
33:04ahora tenemos
33:05legislación
33:06no es tan simple
33:07y también
33:08qué tipos
33:09de lobby
33:10y qué tipos
33:11de
33:11qué voces
33:12llegan a influenciar
33:13esas piezas
33:14legislativas
33:14y cuáles no
33:15nosotros
33:16acá en Europa
33:17vimos a los CEOs
33:18de las compañías
33:19tecnológicas
33:19pasando de gira
33:21hablando con todo el mundo
33:22siendo escuchados
33:23y recibidos
33:23con alfombra roja
33:24en todos lados
33:26y en todos
33:26digo por todo
33:27el espectro
33:28el amplio
33:29espectro político
33:31europeo
33:31lo mismo sucede
33:32bueno
33:33ni hablar en América Latina
33:34ni hablar en mi país
33:35Argentina
33:36digo
33:37pero quién escucha
33:37a los trabajadores
33:38y ahí está el caso
33:40porque al final
33:41como pasó
33:42con los informáticos
33:43otra vez
33:44uno pensaba
33:44que ellos eran
33:45la elite tecnológica
33:47y que estaban a salvo
33:48de todas estas cuestiones
33:49y resulta que no
33:51y entonces resulta
33:52que nadie está a salvo
33:53entonces es muy muy importante
33:54escuchar a los trabajadores
33:55que están un poco
33:55en la vanguardia
33:56de todos estos adelantos
33:58solo una cosa
33:59porque se me ocurre
34:00que si la automatización
34:01digamos está tan cuestionada
34:02sobre todo
34:03en tu
34:03en tu
34:04en tu planteamiento
34:07bueno
34:07alguien podría pensar
34:08que
34:08si es un periodo
34:10si es una cosa
34:11tan mediada
34:11por la manufactura humana
34:13¿por qué no la podemos
34:14hacer en Latinoamérica?
34:16porque tiene que estar
34:17la generación
34:18de la inteligencia
34:20artificial
34:20concentrada
34:21en este momento
34:21en China
34:22y en los Estados Unidos
34:23bueno
34:23varias cosas
34:24primero que
34:25eso sería una decisión
34:26política
34:27que me encantaría ver
34:28digo es una cuestión
34:28de soberanía tecnológica
34:30en la región
34:30pero para tener
34:31soberanía tecnológica
34:33primero hay que tener
34:34soberanía política
34:35y eso
34:35en algunos países
34:37de nuestra región
34:38especialmente el mío
34:39en este momento
34:40no es el caso
34:41entonces
34:42ese es el primer tema
34:43la segunda cosa
34:44es que si bien
34:45digamos este trabajo manual
34:47y la presencia
34:48de estos y estas
34:48trabajadoras
34:49es importantísimo
34:51y es un condimento
34:52fundamental
34:53de estas tecnologías
34:54el otro condimento
34:55fundamental
34:55es el poder de cómputo
34:57que necesita
34:58¿no?
34:59de grandes capitales
35:01digo es caro
35:02el poder de cómputo
35:03necesita de territorios
35:05pero también necesita
35:05de tecnologías
35:06necesita de chips
35:07necesita de energía
35:09entonces tener
35:10esas dos cosas
35:11combinarlas
35:12y también
35:12concentrar el poder
35:13e ir en contra
35:14de estos monopolios
35:15que ya están formados
35:16¿no?
35:18es difícil
35:19es difícil
35:20¿es deseable?
35:21sí es muy deseable
35:22pero digo
35:23acá ya estamos hablando
35:24más allá de tener
35:25de poseer o no poseer
35:27sino en términos
35:28de soberanía tecnológica
35:30de tener la capacidad
35:31que creo que esa es la clave
35:32de la soberanía tecnológica
35:33no se trata
35:34si tener poder de cómputo
35:35o data center
35:35o tener mano de obra
35:37sino se trata
35:38de tener el poder
35:39de decidir las reglas
35:40dentro de una región
35:42o dentro de un estado
35:43¿no?
35:43y qué tecnología sí
35:45y qué tecnologías no
35:46cómo, cuándo
35:48y bajo qué condiciones
35:49y eso me parece
35:50que es
35:51es una decisión política
35:52más que una decisión tecnológica
35:54hay otra parte
35:55de todo el componente teórico
35:57que has desarrollado
35:58que me parece muy interesante
35:59y por eso la dejé
36:00para el final
36:01y tiene que ver
36:02con una perspectiva
36:04un poco más macro
36:05de todo lo que significa
36:07este trabajo
36:08no solo este trabajo
36:09ya has dicho
36:09que nosotros los usuarios
36:10también hacemos
36:11un montón de cosas
36:11cuando interactuamos
36:12con cualquier dispositivo
36:15de inteligencia
36:15o potenciado
36:16por inteligencia artificial
36:17y es
36:19las poderosas consecuencias
36:21que tiene
36:22el resultado
36:23o el producto
36:24que entrega
36:25la inteligencia artificial
36:26todos los días
36:26en la medida
36:27en que la construcción
36:29de lo que llamamos
36:30verdad
36:30que es una cosa
36:31tan compleja
36:32termina siendo
36:33una cosa
36:34mucho más política
36:35de lo que creemos
36:36¿no?
36:37tú has dicho
36:37que todo este trabajo
36:41que comporta
36:42una alta precarización
36:43laboral
36:44unas historias
36:44tan difíciles
36:45como las que has
36:46contado aquí
36:48deriva
36:48en una producción
36:49muy poderosa
36:51de un producto
36:52que es casi que
36:52incontestable
36:53y que tiene cada vez
36:55más poder
36:56¿qué tanto podemos creer
36:58o cuál sería
37:00la perspectiva
37:00más crítica
37:01y más inteligente
37:02de asumir
37:03cuando estamos
37:04frente al robot
37:04de chat GPT
37:05y le queremos
37:07pedir algo
37:07Bueno, la más inteligente
37:08siempre sería
37:09asumir una perspectiva
37:10crítica
37:11digo, no creer
37:12a rajatabla
37:13nada que diga
37:14que esté mediado
37:15no, no
37:16nada que esté mediado
37:17porque es justamente eso
37:18está mediado
37:19¿no?
37:19entonces
37:20digo que la realidad
37:22es una construcción
37:24no es nuevo
37:25esto se viene estudiando
37:26sobre todo
37:27en las ciencias sociales
37:28como decís vos
37:29desde hace siglos
37:30pero
37:32lo que vemos hoy
37:33con la inteligencia artificial
37:34es toda una industria
37:36que lleva
37:37a la creación
37:38de realidades
37:39que parecen incontestables
37:41que parecen indiscutibles
37:42porque además
37:42son presentadas
37:43se nos presentan
37:45con una seguridad
37:46y con una
37:47con un supuesto
37:49manto de objetividad
37:51que parece que así fuera
37:52¿no?
37:53cuando uno le pregunta
37:54no sé a Claude
37:55o Chachi PT
37:56le hace una pregunta
37:57y te viene el resumen
37:59de lo que es
37:59esa pregunta
38:00bueno
38:00hay muchísimos casos
38:03donde hay alucinaciones
38:04incluso cuando se le pide
38:06fuentes
38:06alucina a las fuentes
38:07y eso se debe también
38:08en parte al entrenamiento
38:09de datos
38:10que como tú lo has caracterizado
38:11lo hacen personas
38:12en condiciones precarias
38:13exacto
38:14bueno
38:15acá viene esto
38:16de la precarización
38:17de estos trabajadores
38:18y esto es muy importante
38:19también contárselo
38:19al usuario
38:20la precarización
38:21de los y las trabajadoras
38:22de datos
38:22que como ya dijimos
38:23somos todos y todas
38:26no es solamente
38:27una cuestión
38:28de
38:28ay bueno
38:29preocupémonos
38:30solidaridad
38:30con el trabajador
38:31etcétera
38:32sí
38:32ojalá que fuera
38:33también eso
38:34pero no solamente eso
38:35tiene que ver
38:36con que esta precarización
38:38permite
38:39que a estos trabajadores
38:40se les impongan
38:43lineamientos ideológicos
38:44y que no tengan
38:45otra posibilidad
38:46que aceptarlos
38:47voy a dar un ejemplo
38:48nosotros hicimos un estudio
38:49hace un par de años
38:50donde analizábamos
38:51las instrucciones
38:52dadas
38:53a estos trabajadores
38:54las categorías
38:55por ejemplo
38:56para calificar
38:58la raza de las personas
39:00la edad de las personas
39:01por ejemplo
39:02otro ejemplo
39:03quizás un poco más político
39:04las categorías
39:05para calificar
39:06qué es discurso de odio
39:07y qué no lo es
39:08qué
39:09no
39:10qué enunciación
39:11se considera
39:12que es
39:12digamos
39:13una enunciación
39:14haciendo uso
39:15de la libertad de expresión
39:16y qué enunciación
39:17se condena como
39:18y se banea también
39:19como discurso de odio
39:21eran totalmente estáticas
39:23y eran totalmente arbitrarias
39:25digo
39:25como cualquier clasificación
39:26cualquier cientista social
39:27lo sabe
39:28una clasificación
39:28es siempre arbitraria
39:29entonces
39:30digo
39:31¿de dónde vienen
39:32estas clasificaciones?
39:33bueno
39:33por supuesto
39:34que vienen
39:34de los lineamientos
39:35ideológicos
39:36de las gigantes tecnológicas
39:37el trabajador de datos
39:39cuando esto llega
39:40al trabajador de datos
39:40que es quien finalmente
39:42con sus manos
39:43aplica estas clasificaciones
39:44el trabajador no tiene
39:46ninguna posibilidad
39:46de ir a
39:48contestarle
39:49o cuestionarle
39:50al jefe
39:51o a quien da
39:52estas instrucciones
39:53y decirle
39:53a mí esto no me parece
39:55a mí esto
39:55digamos
39:56yo esto no lo entiendo
39:59o en mi región
40:00y esto es muy importante
40:01para América Latina
40:02en mi región
40:02esto no se ve
40:03de esta manera
40:04o no tiene
40:06no tenemos
40:06este mismo sentido
40:07sobre esta cuestión
40:08como es
40:09por ejemplo
40:10en Estados Unidos
40:11había tareas
40:12por ejemplo
40:12que tenían que ver
40:13con etiquetar imágenes
40:15de los autos
40:17o de los carteles
40:18y los trabajadores
40:19en este caso
40:19eran trabajadores
40:20de Venezuela
40:20nos decían
40:21bueno
40:21esto la verdad
40:22es que no me hace
40:23ningún sentido
40:24pero
40:24porque los carteles
40:26son distintos
40:26en mi región
40:27pero bueno
40:27yo tengo que hacer
40:28lo que quiere el cliente
40:29más grave era
40:30cuando eran tareas
40:31que tenían que ver
40:32con la clasificación
40:32de personas
40:33según categorías raciales
40:35categorías raciales
40:36que venían
40:37del censo
40:38de Estados Unidos
40:39pero que no necesariamente
40:40tenían una resonancia
40:42con
40:44primero que nada
40:45que ya es polémico
40:47clasificar a una persona
40:49a partir de una foto
40:50según una categoría racial
40:51pero incluso
40:52más allá de eso
40:53los trabajadores
40:54nos decían
40:54estas categorías
40:56¿qué es African American?
40:58¿qué significa esto
41:00en el contexto
41:01no sé
41:01de un venezolano
41:04haciendo esta tarea
41:05¿no?
41:06o de un argentino
41:08entonces
41:09bueno
41:10no suceden estas cosas
41:11y a partir
41:11pero ¿qué opción
41:13le queda a estos trabajadores?
41:14pueden ir a cuestionar
41:15pueden ir a decir
41:16incluso
41:16si fuera para construir
41:18mejores modelos
41:19si fuera para construir
41:20mejores conjuntos de datos
41:21no pueden hacerlo
41:23¿por qué?
41:23porque si es una plataforma
41:25se los banea de la tarea
41:27si se quejan
41:28o si cuestionan algo
41:29si no son
41:30lo suficientemente rápidos
41:31en las empresas
41:32tercerizadoras
41:33bueno
41:33está esto
41:34de los targets
41:35por tiempo
41:36entonces
41:36si se salen
41:37de los 50 segundos
41:38para estar pensando
41:39a ver si tiene sentido
41:40o no tiene sentido
41:41también se los
41:42digamos
41:43se las reduce
41:44la paga
41:45o terminan siendo echados
41:47o no les renuevan
41:47el contrato
41:48todas estas realidades
41:49que has caracterizado
41:50aquí llaman
41:51poner una pregunta
41:52sobre el concepto mismo
41:53de inteligencia artificial
41:54y esa etiqueta
41:55tiene mucho de nominal
41:56ponerle un nombre ahí
41:58y meter una definición
42:00pero realmente
42:01esa inteligencia artificial
42:02podríamos llamarlo así
42:03¿tú cómo lo ves?
42:05bueno
42:05a mí me parece
42:06casi un sincericidio
42:08pero la primera plataforma
42:09de trabajo de datos
42:11que es la plataforma
42:12que crea Amazon
42:13hace ya 20 años
42:14Amazon Mechanical Turk
42:16el eslogan
42:17que tenían ellos
42:18para esa plataforma
42:19era
42:19inteligencia artificial
42:21artificial
42:21entonces
42:23casi que decían
42:24la inteligencia artificial
42:25también es artificial
42:26es una mentira
42:27¿por qué?
42:28porque está
42:29digamos
42:30el combustible
42:31de esta supuesta
42:32inteligencia artificial
42:33son estos trabajadores
42:36entonces
42:37a mí me parece
42:38que
42:38por supuesto
42:38que podemos ir más profundo
42:40y empezar a pensar
42:40bueno
42:40¿por qué
42:42el concepto
42:43de automatización
42:44se empieza a pensar
42:46a partir del concepto
42:48o el término
42:48inteligencia
42:49y que están pensando
42:51que digamos
42:51que quieren
42:53digamos
42:53que quieren vendernos
42:54con eso
42:55un poco sería la pregunta
42:56a mí me gusta
42:57Emily Bender
42:58que es una
42:59una
43:00profesora
43:01y es una investigadora
43:02muy importante
43:03también dentro del campo
43:04de los modelos de lenguaje
43:05lo que ella dice es
43:06que hablar de inteligencia artificial
43:09y bueno
43:09nos lleva
43:10nos lleva
43:10a hacernos las preguntas
43:12equivocadas
43:12que ella
43:12prefiere hablar
43:14de modelos
43:15de automatización
43:16y cuando uno habla
43:18de cuestiones
43:18de automatización
43:19empieza a preguntarse
43:21qué se está automatizando
43:22para qué
43:23quién lo está automatizando
43:25y quiénes
43:25se benefician
43:27y quiénes se perjudican
43:28a partir de esta automatización
43:30y a mí me parece
43:30que esas preguntas
43:31son fundamentales
43:32sobre todo
43:33el para qué
43:33que el para qué
43:34es algo que
43:35en el mundo
43:36de la inteligencia artificial
43:37o de la así llamada
43:38inteligencia artificial
43:39ahora podemos decir
43:41no se hacen muchos
43:42es como que ahora
43:43parece que hay que poner
43:44inteligencia artificial
43:45en todos
43:45como uno le pone sal
43:46a la comida
43:47y sin inteligencia artificial
43:49no funciona nada
43:50cuando hace algunos años
43:51todos éramos perfectamente
43:53capaces
43:53de escribir
43:54nuestros mails
43:55sin consultarle
43:57a una inteligencia artificial
43:59generativa
43:59todos podíamos
44:01no sé
44:01crear
44:02con mayor o menor
44:04capacidad
44:05alguna cuestión
44:06más gráfica
44:07sin usar
44:08un generador
44:09de imagen
44:09pero parece que ahora
44:10todo tiene que estar mediado
44:11por una inteligencia artificial
44:12incluso
44:13los modelos de negocios
44:14tienen que tener
44:15una inteligencia
44:16o tienen que decir
44:17que tienen una inteligencia artificial
44:19en algún lugar
44:19de su modelo de negocio
44:21claro
44:21porque si no
44:22no invitan
44:23a las inversiones
44:24y en ese sentido
44:25los consumidores
44:26también insertos
44:28en este sistema
44:29cómo podemos ver
44:30la situación
44:31qué podemos hacer
44:32qué podemos pensar
44:33sobre todo
44:33en Latinoamérica
44:34yo creo que
44:35otra vez
44:35es importante
44:36tener una mirada
44:37cada vez que uno
44:38se sienta frente
44:38a uno de estos modelos
44:39y entiendo
44:40que en muchos casos
44:41es inevitable
44:41ya hoy en día
44:42no se puede googlear
44:43nada
44:43sin que te aparezca
44:44un resumen
44:46a partir de una inteligencia
44:47artificial generativa
44:48digo
44:49ya eso
44:50no se puede
44:50no se puede evitar
44:51no se puede decir
44:52yo no uso
44:53nada de esto
44:53porque está presente
44:54en casi todos los lugares
44:56y cosas que hacemos
44:57ahora bien
44:58cuando a mí me aparece
44:59ese resumen
45:00si yo pido una información
45:01a Google
45:01y me aparece
45:02ese resumen
45:02generado
45:03por un modelo
45:04de inteligencia artificial
45:05bueno
45:06mirarlo críticamente
45:07esta es la respuesta
45:08que lo que estoy buscando
45:09esta es la única respuesta
45:10a lo que estoy preguntando
45:11puede haber otras respuestas
45:12digo
45:12antes el usuario
45:14se hacía una idea
45:14con respecto a las respuestas
45:16que estaba buscando
45:17a partir de consultar
45:18distintos
45:19uno iba cliqueando
45:20en las distintas
45:21web
45:21las páginas webs
45:23y se hacía como una idea
45:24bueno
45:25esto ahora está automatizado
45:27y hacía un montón de cosas
45:29a mí me parece
45:29que esto de la mirada crítica
45:31de fomentar el pensamiento crítico
45:33también para las personas
45:34que como yo
45:35estamos en el sector
45:36de la educación
45:36que tenemos estudiantes
45:38y alumnos
45:39a nuestro cargo
45:39a mí me parece
45:40eso fundamental
45:41seguir reforzando
45:43la cuestión
45:44del pensamiento crítico
45:45de buscar distintas fuentes
45:47de no resignarse
45:48a que eso
45:49que viene tan mediado
45:50y tan masticado
45:51son verdades absolutas
45:53y también permitirnos pensar
45:55y esto también va
45:56al discurso
45:57de la inevitabilidad
45:58que acompaña
45:59estas tecnologías
46:00siempre desde las empresas
46:02siempre un poco
46:02desde la regulación
46:03siempre todo lo que se habla
46:05es
46:06como queremos
46:07que sean las inteligencias
46:08artificiales
46:09y como va a ser el futuro
46:10si nos va a dejar
46:11sin trabajo
46:12si no
46:12si va a venir
46:13la revolución de las máquinas
46:14y hay riesgo existencial
46:16pero nadie nos plantea
46:17es
46:18podemos también vivir
46:20sin estas tecnologías
46:21digo lo hicimos
46:21no
46:22la pregunta
46:23no estoy diciendo
46:24que esto
46:24con esto
46:25no quiero decir
46:27abolir la inteligencia artificial
46:30romper las máquinas
46:31no estoy diciendo esto
46:32digo pero
46:32hacernos la pregunta
46:34si realmente
46:34digo bien lo micro
46:35el usuario
46:36hacerse la pregunta
46:37de realmente
46:38necesito una inteligencia artificial
46:39para esto
46:40o puedo resolverlo
46:41sin
46:41también pensando
46:42en el costo ambiental
46:43en el costo
46:44del agua
46:45que tienen estas inteligencias
46:46estos modelos
46:48no
46:48si
46:49muchos de nosotros
46:50tenemos prácticas
46:51de cuidar el agua
46:52de no ducharnos
46:53tres horas
46:54o no dejar el agua corriendo
46:56lavar los platos
46:57de forma
46:58no sé
46:59digo
46:59todos tenemos
47:00estas medidas de cuidado
47:01de no tirar basura
47:02en la calle
47:02¿por qué usamos
47:03indiscriminadamente
47:04estas tecnologías
47:05cuando sabemos
47:06lo que contamina
47:07y la cantidad de agua
47:08y de energía
47:09que consumen?
47:10esta semana justo
47:11uno de estos ingenieros
47:12de Antropic
47:14que salió así
47:16como muy vehemente
47:18a decir
47:18que él
47:19abandonaba la empresa
47:20porque consideraba
47:22que estas eran
47:22unas tecnologías
47:23sustancialmente peligrosas
47:25y que no
47:26dice él
47:26que no sea
47:27él no había visto
47:28que en
47:29que en ningún momento
47:31de la historia
47:31se estuviera
47:32trabajando
47:33en un desarrollo
47:34tan peligroso
47:35como la inteligencia
47:36artificial
47:36y bueno
47:37y todos coinciden
47:38los grandes
47:39los dueños
47:39estos multimultimultimillonarios
47:41en que efectivamente
47:42necesitan una legislación
47:44porque sí que hay unos riesgos
47:45y tiene un poder
47:46digamos
47:47casi que difícil
47:48de cuantificar
47:49también un poco
47:49porque
47:50por esta idea
47:50de la caja negra
47:51que envuelve
47:52el funcionamiento
47:53de los algoritmos
47:53¿es así?
47:55¿cómo lo ves tú?
47:58Bueno
47:58acá van a
48:01voy a pedir disculpas
48:02por mi
48:04radicalismo de izquierda
48:05pero voy a decir
48:06que en realidad
48:06el problema
48:07quizás no sea
48:08tan técnico
48:09sino en manos
48:10de quién
48:10están estas tecnologías
48:12¿no?
48:12y quién
48:13y el tema
48:13de la concentración
48:14de poder
48:15y que haya
48:16realmente
48:17una cantidad de personas
48:18que se puede contar
48:19con las manos
48:20que concentren
48:21esta cantidad de poder
48:22si es verdad
48:23que esas tecnologías
48:24son tan poderosas
48:24como ellos dicen
48:27bueno
48:27entonces
48:27¿por qué
48:28están
48:28digamos
48:29teniendo un cuasi
48:30monopolio
48:30de estas tecnologías
48:31cinco personas
48:33cinco hombres
48:33blancos
48:34del norte global?
48:35¿por qué
48:36se permite eso?
48:37la segunda cosa
48:38que voy a decir
48:38es
48:39todos están hablando
48:40de que hay que regular
48:41esta inteligencia artificial
48:41porque es supuestamente
48:43tan pero tan peligrosa
48:44pero nadie está regulando
48:45entonces
48:45lo que ellos
48:46están diciendo
48:47¿no?
48:47este caso de Antropic
48:49y OpenAI
48:50también salió
48:51esta semana
48:51están diciendo
48:53regulen
48:54no regulen
48:54pero en realidad
48:55dejen regular
48:56déjennos a nosotros
48:57que nos regulemos solos
48:58nosotros les vamos a decir
48:59como queremos
49:00que nos regulen
49:00porque
49:01y esto ya lo hicieron
49:03digo
49:03esto no es nuevo
49:05recién hablábamos
49:06¿no?
49:06de la cuestión
49:07de a quién se sienta
49:08la mesa
49:08cuando hay regulaciones
49:10hace dos
49:11perdón
49:12tres años
49:12lo vimos
49:13a Sam Oldman
49:13el CEO
49:14de OpenAI
49:15venir de gira
49:16por acá
49:16por Europa
49:17bueno
49:18tratando de un poco
49:19cooptar
49:19y controlar
49:20cómo se iba a legislar
49:21la inteligencia artificial
49:23dentro de la Unión Europea
49:25y lo logró
49:26digo
49:26pudo imponer
49:27muchas de sus condiciones
49:28dentro de
49:29de la legislación
49:31que se desarrolló
49:31en Europa
49:32entonces
49:33digo
49:33también es un poco
49:34eso el juego
49:35y la tercera cosa
49:36que hay que tener en cuenta
49:37en esto
49:38es que
49:38hace años
49:39que vienen diciendo
49:40que están desarrollando
49:41una tecnología poderosa
49:43que es de temer
49:44algunos van a decir
49:45el tecno optimista
49:47va a decir
49:47son tecnologías maravillosas
49:48que pronto nos van a dejar
49:49vivir en la panacea
49:50y no vamos a tener
49:51que trabajar nunca más
49:52y el tecno pesimista
49:54te va a decir
49:54son tecnologías tan terribles
49:56que nos van a matar a todos
49:57y nos van a subyugar a todos
49:59son dos caras
50:00de la misma moneda
50:01lo que están diciendo
50:01son tecnologías terribles
50:03y se nos están yendo
50:04de las manos
50:05y son mucho más
50:07de lo que nos podemos imaginar
50:08con esta promesa
50:10y con este discurso
50:11es que atrayeron inversiones
50:15increíbles
50:16inversiones que nunca
50:17en la historia de la humanidad
50:18se vieron
50:19con esta promesa
50:20no será
50:21que ahora
50:22que tienen que
50:22un poco cumplir
50:24la promesa
50:24y decir
50:25bueno
50:25ahora sí
50:26creamos la inteligencia
50:27artificial general
50:28que están diciendo
50:29desde 2024
50:29supuestamente iba a estar lista
50:31estamos en 2026
50:32todavía no vimos
50:33ninguna evidencia
50:34de que eso esté listo
50:35será que ahora
50:36que tienen que
50:36cumplir esa promesa
50:37y mostrar las pruebas
50:39y mostrarle a los inversores
50:40que realmente llegaron ahí
50:42no lo tienen
50:43y por eso empiezan a decir
50:44no, no, no
50:44tenemos que parar
50:45porque será un poco eso
50:46yo me lo pregunto
50:47digo no tengo
50:49pruebas
50:50pero tengo pocas dudas
50:52muchas gracias
50:53por compartir
50:54todo este rato
50:55con nosotros
50:56por favor
50:56ustedes
50:57muchas gracias también
50:58por haber visto esta entrevista
51:00los comentarios
51:01siempre nos gusta
51:02saber qué piensan
51:04fomentar el debate
51:05ojalá te podamos tener pronto
51:07incluso si vas a la Argentina
51:09o cuando regreses a Berlín
51:10aquí estaremos
51:10perfecto
51:11muchas gracias
51:12gracias