POLÍTICA DE IA Y MERCADOS · DATOS EMPRESARIALES

El próximo dataset de entrenamiento de la IA es la jornada laboral de una empresa

El mercado emergente de los datos operativos de las empresas, la economía de la experiencia humana y el reto de enseñar a los agentes de IA cómo se trabaja de verdad.

Por Manuel Herranz·

Hace ya algún tiempo leí que, en el futuro, a las personas se les pagaría por los datos que generan con el simple hecho de vivir. Cada clic, cada desplazamiento, cada mensaje. Por extensión, las organizaciones monetizarían no solo los productos y servicios que venden, sino también el rastro de información que dejan atrás mientras los producen.

Entonces sonaba a ciencia ficción. Pertenecía al Los Ángeles empapado de lluvia de Blade Runner, una ciudad de neón y lluvia ácida donde las corporaciones fabricaban recuerdos y los implantaban en otros. Un mundo en el que todo, incluso la experiencia misma, tenía un precio.

Me parecía plausible. Cada año, un poco más. En nuestra última newsletter (inglés) analizamos cómo la IA está reescribiendo el sistema operativo de la industria de la traducción: generar texto se está abaratando, mientras que los datos, la evaluación, la adaptación y el control se están revalorizando. Esta semana me he dado cuenta de que la misma lógica se extiende mucho más allá del lenguaje. Está alcanzando la propia jornada laboral.

Una pregunta que parecía hipotética

Hace algo más de un año mantuve una conversación con una gran compañía de software sobre los tipos de datos que podrían llegar a ser valiosos para los futuros sistemas de IA. En un momento dado, mi interlocutora me pidió que imaginara qué significaría tener acceso a la correspondencia corporativa y a los registros operativos de un importante grupo industrial (mencionó un conglomerado europeo bastante conocido). Le expliqué que no representábamos a esa empresa, que no podíamos ofrecer acceso a sus registros y que disponíamos de otros tipos de datos de entrenamiento. Ambos entendimos que era un ejemplo.

Pero la conversación se quedó conmigo, en parte porque el ejemplo parecía tan ambicioso. ¿Qué uso posible podía justificar la adquisición de años de comunicaciones internas, decisiones y actividad empresarial cotidiana? Creo que ahora empiezo a entender mucho mejor la pregunta.

La profecía llegó a través de un formulario web

No llegó a bordo de una nave, al hombro de Orión. Llegó como una solicitud más en el formulario de contacto de nuestra web. Un intermediario de Francia nos escribía para contarnos que estaba reuniendo empresas francesas dispuestas a licenciar sus datos operativos. No datos de consumidores. Empresas de más de cincuenta empleados, en su mayoría oficinas y personal de cuello blanco, que habían usado las mismas herramientas durante tres años o más. Sus correos, documentos e hilos con clientes y socios, mayoritariamente en francés, con una buena parte en inglés. Y no ha sido el primero.

Antes de remitirnos nada, planteó tres preguntas muy de mercader. ¿Compramos datos de empresas francesas? ¿Cómo se compara el precio con el de una empresa estadounidense del mismo tamaño? ¿De qué funciones o sectores carecemos ahora mismo? Alguien, en definitiva, ya está yendo de oficina en oficina preguntando qué guardan las empresas en sus cajones, para poder venderlo a peso.

Luego, casi como para completar el cuadro, llegó otro correo no solicitado. Esta vez, alguien se acercaba a Pangeanic no como potencial comprador de datos corporativos, sino como potencial vendedor de su propia historia operativa: tickets de soporte, registros de CRM, procedimientos internos, documentación de proyectos. La oferta era sencilla. ¿Querríamos saber cuánto podrían valer años de nuestros propios registros de trabajo? En cuestión de horas me había topado con las dos caras de un mercado que, hace tan poco, apenas tenía nombre. Aquella pregunta hipotética de la conversación anterior empezaba a adquirir un mercado reconocible por ambos lados.

Detrás de ese mensaje hay un principio que merece enunciarse sin rodeos. Las empresas pueden pronto obtener ingresos no solo de lo que producen, sino también de el conocimiento que se registra mientras lo producen.

Un mercado está tomando forma

El mensaje del intermediario no salió de la nada. El periodismo de investigación ya describe empresas y sus asesores explorando la licencia de registros laborales: correspondencia interna, historiales de proyectos, procedimientos operativos y las decisiones incorporadas en ellos. Algunos compradores potenciales quieren convertir ese material en entornos realistas donde agentes de IA puedan aprender a realizar tareas profesionales. El mercado aún es joven, y los anuncios de inversión o de intención de adquisición no deben confundirse con transacciones completadas.

Un ejemplo visible es la propuesta de venta de datos internos de la aerolínea en quiebra Spirit Airlines. En octubre, Reuters informó de que Google había acordado pagar 10 millones de dólares por un archivo operativo que contenía comunicaciones corporativas y registros conexos, pendiente de aprobación judicial. Una oferta rival que superaba el precio en un 25 % detuvo el acuerdo. La información de reservas de pasajeros y de programas de fidelidad quedaba excluida, mientras que los representantes de los trabajadores y varios legisladores planteaban preocupaciones de privacidad. A 13 de octubre de 2026, la venta no había recibido la aprobación judicial definitiva.[1]

El fenómeno no se limita a las grandes empresas. En abril, Forbes informaba de que negocios en proceso de cierre licenciaban años de conversaciones de Slack, tickets de Jira y archivos de correo electrónico a través de especialistas que ayudan a liquidar compañías y preparar sus activos digitales. No se trata simplemente de buscar más documentos. Se trata de buscar huellas de cómo funcionan las organizaciones reales.[2]

Los laboratorios de IA y las empresas de datos que les dan servicio quieren cada vez más que texto adicional. La escritura disponible públicamente rara vez registra por sí sola el contexto completo de una tarea, las decisiones tomadas por el camino, las restricciones que moldearon esas decisiones y, lo ideal, si el trabajo funcionó. Ese contexto operativo es lo que hace interesantes estos archivos.[5]

Los archivos no son experiencia

Hay una diferencia importante entre una colección de documentos corporativos y un registro de cómo se trabaja realmente. Imagine una empresa francesa que ha pasado cinco años gestionando contratos de suministro. Una carpeta de contratos firmados tiene cierto valor. Un dataset que reconstruye las enmiendas propuestas, las razones detrás de cada cambio, las consultas internas, las aprobaciones y el resultado final tiene mucho más. El primero le enseña a un modelo cómo es un contrato. El segundo le enseña a un agente cómo se negocia un contrato.

La industria de la traducción ya ha recorrido este camino. Durante décadas construimos tecnología del lenguaje a partir de corpus bilingües, traducciones revisadas y otros registros del trabajo lingüístico humano. El mismo principio se extiende ahora a una actividad profesional más compleja. Lo que se aprende ya no es simplemente una correspondencia entre lenguas. Es una secuencia de decisiones y acciones tomadas bajo restricciones organizativas reales.

Aquí es donde la precisión se vuelve muy relevante. Una parte creciente del trabajo del conocimiento consiste en secuencias observables de decisiones y acciones que pueden automatizarse parcialmente, enseñarse y evaluarse. Ahora bien, automatizar tareas sueltas no es lo mismo que sustituir profesiones enteras, sobre todo donde la responsabilidad, la especialización y el juicio complejo siguen siendo esenciales.

Tampoco una secuencia observada equivale a una experiencia de entrenamiento validada. Un registro muestra lo que hizo un empleado. No muestra lo que debería haber hecho, ni siempre muestra lo que ocurrió realmente como consecuencia. Los archivos reales contienen atajos, errores y malos hábitos junto a buen juicio. Convertirlos en algo de lo que un agente deba aprender exige separar esas tres capas, y por eso la revisión experta y los resultados verificados importan tanto como el volumen.

La cuestión europea

Aquí la película se oscurece, y aquí Europa tiene algo distintivo que decir. Una empresa puede ser dueña de sus servidores, pero ser dueña del archivo no equivale a estar libre para licenciar todo lo que hay dentro. Un hilo de correo corporativo está lleno de personas que nunca firmaron nada: empleados, clientes, proveedores, el socio austríaco que respondió en copia.

De ahí siguen varias preguntas, y ninguna tiene respuesta universal:

  • ¿Quién tiene derecho a vender? La correspondencia empresarial contiene datos personales, secretos comerciales, información de terceros y obligaciones de confidencialidad con los clientes.
  • ¿Y los empleados? Su juicio y su especialización son precisamente lo que da valor a los datos. Según el uso que se haga de ellos, y de si afecta a la vigilancia del personal o a sus condiciones de trabajo, puede ser necesaria la participación de los representantes de los empleados, como un comité de empresa francés.
  • ¿Pueden los datos de clientes pasar a un nuevo responsable? Reutilizarlos para entrenar IA es una finalidad distinta de aquella para la que fueron recopilados, y requiere una base jurídica aplicable y una evaluación cuidadosa de la compatibilidad de finalidades y del resto de requisitos del RGPD. La autoridad francesa de protección de datos, la CNIL, ha establecido cómo puede aplicarse el interés legítimo al entrenamiento de la IA, y la prueba es exigente.[3]
  • ¿Basta la desidentificación? No necesariamente. La desidentificación elimina los identificadores directos; la anonimización, en sentido jurídico, exige que las personas no puedan ser identificadas por medios razonablemente susceptibles de ser utilizados. Solo los datos verdaderamente anónimos quedan fuera del RGPD. El Comité Europeo de Protección de Datos ha dejado claro que el anonimato debe evaluarse caso por caso, y el listón está alto. Eliminar los nombres de un hilo de correo no elimina automáticamente a la persona (usted puede quedar identificado como «la hermana del CEO», «el sucesor del fundador», etc.).[4]
  • ¿Quién se beneficia? ¿La empresa, el intermediario, el laboratorio, o las personas cuya experiencia se está convirtiendo en capacidad de máquina?

Esa última pregunta encierra una paradoja que conviene enunciar sin ideología. Una empresa puede cobrar por licenciar décadas de información generada por sus empleados, mientras que los modelos entrenados con esa información pueden automatizar parte de las tareas futuras de esos mismos empleados. Hay respuestas posibles: participación económica de los trabajadores, reparto de beneficios, derechos contractuales sobre la reutilización de su trabajo, gobernanza de datos con representación de los empleados y límites al uso posterior. Ninguna está resuelta, y las objeciones planteadas en el caso Spirit Airlines sugieren que estas preguntas ya se están disputando.[1]

Todo esto también afecta a la pregunta del intermediario sobre el precio. No hay motivo para un descuento automático solo porque los datos sean franceses. Que los datos de trabajo auténticos francés-inglés obtengan una prima sigue siendo una hipótesis comercial, y dependerá de lo que necesiten los compradores. Lo que es seguro es que el cumplimiento normativo tiene un coste, y que el valor final depende del caso de uso, de la reconstrucción de las tareas y, de forma crítica, de que el uso propuesto pueda justificarse y gobernarse conforme a la ley.

Del archivo a la evidencia

Los datos operativos en bruto, tomados directamente de un servidor de correo, se parecen más a un pasivo que a un activo. Su valor como activo fiable de entrenamiento o evaluación depende de demostrar al menos tres cosas: derechos de uso claros, procedencia verificable y utilidad medible. Cuando un proceso de negocio cruza lenguas y jurisdicciones, como ocurre en tantos procesos europeos, hay una cuarta dimensión de calidad: la fidelidad lingüística y cultural. Una negociación conducida en parte en francés y en parte en inglés solo es útil si ambas mitades, y los cambios entre ellas, se conservan y se comprenden.

Ese es el trabajo que llevamos haciendo en Pangeanicdesde hace más de dos décadas, aplicado a una nueva materia prima: detectar y eliminar datos personales en todas las lenguas sin destruir el significado, limpiar y alinear material bilingüe, anotarlo y evaluarlo, y documentar el origen de cada registro. También existe una variante que puede convenir especialmente a Europa. Una empresa no necesita vender sus datos para monetizarlos. Puede usar sus propios registros para entrenar o evaluar agentes privados, sin entregar ese conocimiento a nadie más.

Hay una reflexión más que nos atañe. Pangeanic tiene su propia historia de conocimiento operativo: memorias de traducción, revisiones humanas, estimaciones de calidad, correcciones, procedimientos lingüísticos, anotación y evaluación. Buena parte contiene especialización de altísimo nivel. Pero debe separarse con cuidado del material que pertenece a clientes o está sujeto a confidencialidad y licencias restrictivas. Aunque nunca lo vendiéramos, la parte que podemos usar legítimamente es un laboratorio ideal para aprender a reconstruir tareas, preservar el contexto y construir evaluaciones fiables. Entender este mercado desde la experiencia operativa, y no solo desde la intermediación, es lo que marca la diferencia.

Lágrimas en la lluvia

Al final de Blade Runner, el replicante se lamenta de que todo lo que ha visto se perderá con él. Cada empresa carga con algo parecido: años de decisiones, negociaciones y conocimiento tácito que nadie escribió jamás en un manual. Buena parte de ese conocimiento se fue con personas que se jubilaron o cambiaron de empleo, o desapareció cuando una empresa cerró. De ahora en adelante, puede tener un precio.

La pregunta ya no es si las empresas licenciarán el conocimiento registrado en su jornada laboral. Algunas ya lo están haciendo. La pregunta es cómo se hará sin vender también la privacidad de empleados y clientes, y sin reducir la experiencia humana a una materia prima anónima.

Y hay una pregunta que dejaría abierta, para nuestros lectores y para nosotros mismos. Si los modelos de IA aprenden de décadas de experiencia humana registrada dentro de las empresas, ¿quién capturará el valor económico de ese aprendizaje?

Fuentes y lecturas recomendadas

  1. Reuters. Lawmakers raise alarm at Google plan to acquire Spirit Airlines data for AI models. 8 de octubre de 2026.
  2. Forbes. AI's New Training Data: Your Old Work Slacks and Emails. 16 de abril de 2026.
  3. CNIL. Relying on the legal basis of legitimate interests to develop an AI system. 5 de enero de 2026.
  4. Comité Europeo de Protección de Datos.Opinion 28/2024 on certain data protection aspects related to the processing of personal data in the context of AI models. 18 de diciembre de 2024.
  5. Business Insider. AI Labs Are Fueling a Wild Market for Your Emails and Slack DMs. 13 de octubre de 2026.