La inteligencia artificial y el trabajo humano detrás de la identificación de plantas

Cuando apuntas con la cámara a una flor desconocida y, en segundos, una aplicación te dice su nombre, parece un gesto automático y casi mágico. Sin embargo, detrás de esta respuesta hay un proceso humano fundamental: miles de personas han señalado qué aparece en una imagen para que el sistema aprenda a distinguirlo, mediante un proceso conocido como etiquetado de datos.

La inteligencia artificial no actúa por sí sola; aprende de datos que alguien tuvo que recopilar, etiquetar y revisar. Este proceso, denominado entrenamiento, implica que un programa reconoce una planta, un animal o un edificio porque ha visto muchos ejemplos correctamente identificados. La anotación de datos consiste en marcar dónde aparece un objeto, indicar a qué especie pertenece o dibujar el contorno exacto de una figura. Además, las etiquetas son esenciales para comprobar si el sistema acierta.

Por ejemplo, al identificar una planta, una persona primero determina la especie, delimita el contorno de la hoja o flor en la imagen y asigna la etiqueta correspondiente. Posteriormente, otra persona revisa que esa etiqueta sea correcta antes de incorporarla al conjunto de datos. Este proceso de etiquetado, entrenamiento y evaluación es crucial para el funcionamiento de los modelos de IA.

El trabajo humano en la inteligencia artificial abarca diversas actividades, desde la transcripción de audios hasta la moderación de contenidos. Las exigencias varían enormemente; por ejemplo, decidir si una imagen contiene un gato es sencillo, mientras que evaluar la respuesta de un modelo de lenguaje puede requerir conocimientos especializados.

Un estudio de la Organización Internacional del Trabajo (OIT) en 2024 reveló que el 95% de 161 trabajadores encuestados en plataformas de microtareas en Kenia había realizado tareas relacionadas con inteligencia artificial. Sin embargo, este dato debe interpretarse con cautela, ya que se refiere a personas ya seleccionadas dentro de un universo específico y no a una muestra aleatoria de la población activa.

Otro estudio académico de 2026, que incluyó entrevistas a trabajadores de anotación de datos en Egipto, Marruecos y Kenia, destacó las cadenas de contratación transfronteriza y los mecanismos de supervisión basados en velocidad y precisión. Esto plantea preguntas sobre quién fija los estándares y protege la salud laboral de quienes realizan estas tareas.

En el ámbito médico, el etiquetado humano se vuelve más delicado, como en el caso de marcar células tumorales en muestras de tejido. Aunque las anotaciones pueden ayudar a construir conjuntos de datos para entrenar herramientas de análisis de imágenes, no garantizan diagnósticos clínicos precisos.

El rendimiento de un sistema de IA no se explica solo por el etiquetado humano; también intervienen la selección de datos, el diseño del algoritmo y la calidad de las imágenes. Cada vez que un sistema “reconoce” algo, está aprovechando decisiones tomadas previamente por personas. La aparente autonomía de la IA descansa sobre un trabajo humano concreto y, a veces, difícil.

Reconocer este trabajo invisible plantea preguntas importantes para empresas, usuarios y reguladores, como quién fija los criterios de calidad y pago, y qué protección existe para quienes moderan contenidos perturbadores. La próxima vez que uses tu móvil para identificar una planta, recuerda que esa respuesta instantánea tiene una historia humana detrás, y entender quién la hace posible es parte de usar la inteligencia artificial con criterio.