Contratistas de OpenAI, despedidos por usar IA para entrenar a la IA

Lo que pasó: contratistas de OpenAI usaron IA para entrenar a ChatGPT

OpenAI mantiene un ejército de miles de contratistas que leen prompts y conversaciones reales de usuarios de ChatGPT para calificar las respuestas del chatbot: el llamado «toque humano» que ajusta el modelo y evita respuestas demasiado serviles o antropomórficas. El problema, según una investigación de 404 Media publicada este septiembre, es que parte de esos contratistas estaban haciendo exactamente lo contrario de lo que se les paga: usaban IA para hacer su trabajo.

El medio revisó documentos internos y habló con tres contratistas que trabajan en proyectos para OpenAI (uno de esos proyectos reúne a más de diez mil personas, según los documentos). Las instrucciones internas son explícitas: «No uses IA tú mismo, ni siquiera Grammarly o traducción con IA, para revisar, escribir feedback o redactar comentarios». Y la consecuencia también: el despido. «Es prácticamente lo único que te saca del proyecto de inmediato», dijo uno de los contratistas. «En un grupo de miles, hay muchísimos que ya fueron atrapados».

Por qué importa: el riesgo de entrenar modelos con datos sintéticos

La paradoja es incómoda para OpenAI. El entrenamiento de modelos cada vez depende más de evaluadores humanos justamente para evitar un fenómeno conocido como model collapse o colapso del modelo: cuando un sistema se entrena con texto generado por otros sistemas de IA, sus salidas se estrechan, pierden diversidad y, en fases avanzadas, generan «defectos irreversibles», según la caracterización del equipo de investigación de IBM.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

El fenómeno fue descrito formalmente en un estudio publicado en Nature en julio de 2024 por investigadores de las universidades de Oxford, Cambridge y Toronto. Su conclusión clave: en la primera fase del colapso, los modelos pierden información sobre los extremos de la distribución de entrenamiento —los casos raros, creativos o atípicos— mientras los benchmarks estándar siguen dando puntuaciones altas. La degradación es casi invisible hasta que ya es tarde.

Que los propios humanos contratados para introducir «señal humana limpia» estén contaminando esa señal con salidas de IA es exactamente lo que la investigación advertía como punto de falla. El artículo de 404 Media cita además a un cuarto contratista —que ha trabajado entrenando modelos para varias empresas— que reconoció elegir a propósito las peores respuestas para sabotear activamente el entrenamiento: «Me siento como si me pagaran por empeorar la IA».

Mercor, el intermediario en el centro de la tormenta

Dos de los tres contratistas que habló con 404 Media trabajaban para Mercor, una de las startups de entrenamiento de IA más grandes del momento. En un comunicado al medio, un portavoz de Mercor defendió su posición: «Nuestros expertos son contratados por su criterio profesional, esencial para el avance continuo de la IA. Nuestros contratos prohíben estrictamente el uso de LLMs para completar proyectos y lo hacemos cumplir. Invertimos fuertemente en herramientas y sistemas para detectar mal uso. Cuando confirmamos que un experto usó IA para completar una tarea, lo removemos del proyecto de inmediato».

El caso golpea a Mercor en un momento delicado. La compañía, fundada hace tres años, venía de un 2026 movido:

En abril de 2026, enfrentó cinco demandas de exempleados en una semana tras una brecha de datos vinculada al proyecto open source LiteLLM. Según Business Insider, los demandantes alegan que se filtraron números de Seguro Social, direcciones, grabaciones de entrevistas y datos de Slack. Meta pausó su trabajo con Mercor tras el incidente.
En julio de 2026, Mercor anunció la compra de Deeptune, una empresa especializada en entrenar agentes de IA.
En la misma ventana, el fundador y CEO Brendan Foody publicó en X que el run rate de ingresos anualizados superó los US$2.000 millones, el doble que cuatro meses antes.
Según TechCrunch, citando a Bloomberg, Mercor estaba en conversaciones para una nueva ronda a una valoración de US$20.000 millones, el doble de su Serie C de octubre (US$350M a US$10.000M de valoración). The Information reportó que Nvidia y General Catalyst exploran participar en esa ronda.

O sea: la misma empresa que tiene que demostrar control de calidad sobre su propio trabajo —»nuestros contratos prohíben estrictamente el uso de LLMs»— es la que más rápido está creciendo y la que más capital está levantando.

Qué dice esto sobre la cadena de suministro de datos para IA

El caso de los contratistas de OpenAI no es un incidente aislado: es un síntoma de un problema estructural. El artículo de Tech Times de julio de 2026 sobre el «model collapse» resume bien la tensión. La web abierta —el principal corpus de entrenamiento de la mayoría de los modelos— se está llenando de contenido sintético. Según Epoch AI, citado en la cobertura, el stock de texto humano público de calidad se agotará entre 2026 y 2032 al ritmo actual de entrenamiento. Una estimación citada en investigación publicada apuntaba a que el 74% de las páginas web nuevas a inicios de 2025 ya contenían texto generado por IA.

Para los modelos frontier, eso significa dos cosas:

La señal humana limpia es cada vez más escasa y más cara. Mercor, Scale AI, Turing y los equipos internos de Nvidia compiten por expertos que puedan generar y validar datos de alta calidad. Nvidia, según Yahoo Finance, pagó a Mercor «decenas de millones de dólares» el último trimestre por datos curados por expertos en dominios como legal, finanzas y ciencia para sus modelos abiertos Nemotron.
Las plataformas con datos humanos propietarios tienen ventaja estructural. Meta entrena sus modelos sobre la interacción real de más de 3.000 millones de usuarios diarios en Facebook, Instagram, WhatsApp y Threads —un corpus al que los crawlers externos no pueden acceder. Esa asimetría se ensancha a medida que la web abierta se degrada.

Qué significa esto para tu startup

Si construyes sobre modelos frontier —o si vendes datos, evaluación o «human-in-the-loop» a quien los construye— esta noticia toca tres palancas concretas de tu negocio:

Piensa a quién le vendes «calidad de datos» y cómo la demuestras. El cliente ya no compra horas-hombre: compra trazabilidad. El comunicado de Mercor habla de «herramientas y sistemas para detectar mal uso», pero sus propios contratistas dicen que el problema es masivo. Si tu startup ofrece QA, labeling o evals, tu propuesta de valor se juega en qué tan verificada y reproducible es tu pipeline, no en cuántos annotadores tienes.
Diseña tus propios productos asumiendo que la señal humana se va a encarecer. Si tu modelo depende de evals humanos, retraining o feedback de usuarios, modela escenarios de costo al alza. La ventana 2026-2032 en la que, según Epoch AI, se agota el texto humano público de calidad es el reloj real con el que hay que correr.
Evalúa el riesgo de proveedor. OpenAI, Anthropic y Google concentran parte importante de su entrenamiento en unas pocas firmas de datos. Una brecha, un escándalo de calidad o un cambio de proveedor puede afectar tu acceso a modelos o a capacidad de fine-tuning. Diversificar (varios proveedores, datos sintéticos propios validados, o evals internos) deja de ser opcional.