Cuando los equipos de ventas estadounidenses de las grandes startups de etiquetado de datos de Silicon Valley visitaron la Conferencia Internacional sobre Aprendizaje Automático de este año en Seúl, Corea, llegaron preparados para cortejar a los grandes inversores del sector. Estas empresas de datos, cuyo valor conjunto asciende a decenas de miles de millones de dólares y que generan miles de millones en ingresos anuales al suministrar datos de entrenamiento a clientes como OpenAI y Anthropic, están acostumbradas a tratar con laboratorios de IA conocidos por su exigencia, su carácter voluble y su dificultad para satisfacerlos.
Encontraron otro cliente ansioso que los estaba esperando: la industria de la inteligencia artificial de China.
Algunas empresas chinas tienen listas de compras. Tencent, que anteriormente fue catalogada por el gobierno estadounidense como vinculada al ejército chino (una caracterización que la empresa desmiente), distribuyó entre los posibles proveedores una solicitud detallada de datos de entrenamiento que abarcaba finanzas, ciberseguridad y uno de los objetivos de investigación más codiciados de la IA: sistemas de IA capaces de auto-mejorarse.
Si bien Estados Unidos ha prohibido durante mucho tiempo a China la compra de los chips que impulsan los modelos de IA de vanguardia estadounidenses, no ha tomado las mismas precauciones con los datos necesarios para entrenarlos. Este conocimiento humano, generado por redes especializadas y moldeado por diseños de tareas, criterios de evaluación y controles de calidad, forma parte de la costosa infraestructura de datos que enseña a los modelos a manejar tareas profesionales complejas como la modelización financiera y la programación. Este negocio mueve cientos de millones de dólares anuales y está ayudando a los modelos de IA chinos a reducir la brecha con sus rivales estadounidenses.
“Después del procesamiento necesario para entrenar los modelos, lo más importante son los datos de buena calidad”, declaró Nathan Lambert, ex científico investigador del Instituto Allen para la IA, a Forbes . “A medida que intentamos que los modelos se adentren en dominios nuevos y más complejos, obtener buenos datos es el factor clave para que el modelo sea viable”.
La documentación y las comunicaciones de compradores de laboratorios de IA chinos y empleados de las principales plataformas de datos de Silicon Valley, como Surge AI y Mercor, analizadas por Forbes, revelan un discreto comercio multimillonario de conjuntos de datos de entrenamiento. Las mismas startups estadounidenses que proveen a OpenAI, Anthropic y, en algunos casos, a entidades federales estadounidenses, también abastecen a los principales laboratorios de Pekín. Silicon Valley está, cada vez más, formando a ambos bandos en la carrera armamentística de la IA.
Para los laboratorios de IA chinos que buscan alcanzar el rendimiento de la IA estadounidense, solo existen tres estrategias rápidas. La primera es captar investigadores. La segunda es la extracción de datos, es decir, extraer los resultados de ChatGPT o Claude y utilizarlos para entrenar modelos chinos. Si bien no es ilegal, esta práctica viola explícitamente los Términos de Servicio de OpenAI y Anthropic, y recientemente fue señalada por Michael Kratsios, asesor de ciencia y tecnología de la administración Trump. Una tercera estrategia es más sencilla y evita posibles problemas regulatorios: comprar los mismos datos de entrenamiento que los laboratorios de IA estadounidenses a los mismos proveedores.
Enseñar a un modelo de IA a gestionar protocolos complejos de contabilidad o de laboratorios web no se limita a recopilar los datos brutos. La clave reside en las especificaciones de los datos: qué tipo de datos priorizar, así como en las intrincadas directrices elaboradas por profesionales que guían al modelo para que aprenda a desenvolverse en tareas administrativas. Al adquirir estos conjuntos de datos, los laboratorios chinos compran, de forma eficiente, el valioso conocimiento especializado que impulsa los mejores modelos de Silicon Valley.
Sean Cai, consultor de datos de IA que publica un blog homónimo sobre datos y aprendizaje por refuerzo, lo expresa sin rodeos: «Si uno estudia la estructura de la industria de datos en China y, en general, toda la cadena de suministro de datos, se dará cuenta de que, efectivamente, gran parte de los mismos datos estadounidenses que impulsan el avance de los modelos en EE. UU. también se venden a laboratorios chinos».
La cadena de suministro de datos secretos de 500 millones de dólares en China
El flujo de datos va directamente desde las empresas estadounidenses de etiquetado de datos hasta los gigantes tecnológicos chinos más grandes, incluyendo firmas como Tencent, la empresa china señalada por el Pentágono. En un mensaje al que tuvo acceso Forbes, un ejecutivo de adquisición de datos de Tencent señaló que la compañía depende de Surge AI —cuyos clientes incluyen al Ejército y la Fuerza Aérea de EE. UU., así como a Anthropic— para el suministro de datos. Mercor, que a finales del mes pasado comunicó a sus empleados que había ganado un contrato con el gobierno federal estadounidense, también trabaja con Tencent.
Otras comunicaciones revisadas por Forbes muestran una coincidencia similar. En intercambios de texto, un ejecutivo de Ant Group, la empresa china de tecnología y finanzas detrás de Alipay, reconoció una estrecha relación de trabajo con AfterQuery, empresa estadounidense de datos de entrenamiento de IA. Las transcripciones de audio de conversaciones con un empleado del gigante chino del comercio electrónico Alibaba apuntan a acuerdos de compra con AfterQuery y Mercor. La documentación interna del proyecto sugiere que la startup estadounidense de etiquetado de datos Turing ha trabajado con ByteDance, la empresa matriz china de TikTok.
ByteDance, Alibaba, Moonshot, Tencent y Ant Group no respondieron a las solicitudes de comentarios; Mercor declinó hacer comentarios. AfterQuery y Surge afirmaron que no divulgan información de sus clientes. En un comunicado, Turing declaró: «Impulsamos la vanguardia de la IA, que incluye modelos tanto propietarios como de código abierto. Creemos que ambos seguirán creciendo, y algunos de los modelos de código abierto más potentes de la actualidad provienen de laboratorios fuera de Estados Unidos».
En total, los seis principales laboratorios chinos de IA invierten alrededor de 500 millones de dólares anuales en empresas estadounidenses de etiquetado de datos, según dos empresarios del sector que han recibido estimaciones del tamaño del mercado de ejecutivos de Tencent y ByteDance. Según una persona que ha interactuado con varios de ellos, los laboratorios chinos de IA no se consideran competidores directos entre sí en materia de adquisiciones; más bien, se ven como un grupo de compradores que buscan conjuntos de datos occidentales de primer nivel.
Las empresas estadounidenses de etiquetado de datos están encantadas de venderles. Según una fuente cercana al asunto, los ingresos de Mercor en el segundo trimestre procedentes de laboratorios de IA chinos representaron el 2 % de sus ingresos totales (los ingresos anualizados de Mercor superaron los 2.000 millones de dólares en junio), y la empresa ha contratado a un gestor de relaciones específico para China. Una parte importante del negocio de AfterQuery, al menos 50 millones de dólares en ingresos recurrentes, proviene de laboratorios de IA chinos, según fuentes consultadas por Forbes. Surge AI, una de las empresas pioneras en la región, ha buscado activamente a estos compradores, y su director ejecutivo, Edwin Chen, viajó a China para reunirse directamente con los directivos de los laboratorios.
Las empresas de etiquetado de datos venden a los laboratorios de IA chinos proyectos personalizados y únicos, así como los llamados conjuntos de datos «listos para usar» (OTS, por sus siglas en inglés): conjuntos de entrenamiento estandarizados y preempaquetados, diseñados para ser revendidos a múltiples laboratorios. Aunque parezca inofensivo, los conjuntos de datos listos para usar distan mucho de serlo. Se fabrican con los mismos «procesos de conocimiento» desarrollados durante proyectos personalizados para OpenAI o Anthropic. Esto significa que las empresas chinas que los compran se benefician de las mismas redes de expertos con doctorado, algoritmos de control de calidad y rúbricas posteriores al entrenamiento que sirven de base para el entrenamiento realizado en los grandes laboratorios de IA de EE. UU. Y esto resulta enormemente útil. En muchos casos, los laboratorios chinos pueden evitar meses de prueba y error comprando conjuntos de datos OTS con estructuras de razonamiento probadas.
«Hay que tener en cuenta que, en ocasiones, la estructura de estos datos proviene de las mismas empresas que adaptaron sus estrategias iniciales de escalabilidad para Anthropic», explicó Cai, consultor de datos de IA. «Es extremadamente fácil para un proveedor de datos que ha trabajado con Anthropic utilizar la misma plataforma para generar datos para un laboratorio chino».
Esto convierte a los conjuntos de datos prefabricados en una atractiva fuente de ingresos para los proveedores de datos. Al poder revenderse a múltiples laboratorios de IA, ofrecen los márgenes de beneficio más altos. Además, los laboratorios de IA chinos les comunican explícitamente a las empresas estadounidenses de etiquetado de datos que desean comprar todos los datos que los laboratorios estadounidenses ya hayan adquirido, según un ejecutivo que ha hablado con laboratorios de IA chinos.
Max Gazor, fundador de Striker VC, empresa que ha invertido en muchos desarrolladores de modelos de IA estadounidenses, reconoció que esta realidad del mercado conlleva ciertos factores que la complican. «Lo consideraría más bien una decisión ética sobre si la empresa vendería o no los datos a empresas chinas de IA», afirmó.
El salvaje oeste regulatorio
Washington ha dedicado años a construir una fortaleza geopolítica en torno a chips avanzados. Sin embargo, la experiencia humana utilizada para entrenar la IA logra cruzar fronteras prácticamente sin ningún tipo de control.
Esto ha contribuido a que las principales plataformas de datos de Silicon Valley se conviertan en gigantes multimillonarios. Fundada en 2020 y 2023, Mercor aspira actualmente a una valoración de 20.000 millones de dólares, mientras que Surge AI, según se informa, tiene un valor de al menos 25.000 millones de dólares. Por su parte, AfterQuery, una empresa relativamente nueva, ha pasado de 100 millones de dólares a cientos de millones en ingresos recurrentes anuales en tan solo tres meses. Si bien la gran mayoría de estos ingresos aún proviene de gigantes estadounidenses consolidados, las ventas en el extranjero representan, probablemente, una fuente de ingresos secundaria irresistible.
Algunos afirman que vender conjuntos de datos a China es una cuestión de seguridad nacional. «Algunas empresas de datos humanos trabajan con adversarios extranjeros, y los resultados se ven hoy en Kimi K3», publicó recientemente Ali Ansari, el director ejecutivo de la empresa, de 25 años, en X. «Creemos que es vergonzoso afirmar que Estados Unidos aspira al dominio de la IA mientras vende datos por valor de millones a países con los que competimos». Micro1 afirma que no vende datos fuera de EE. UU. Scale AI también consideró un contrato con ByteDance antes de descartarlo en 2024 por motivos de seguridad nacional.
Los defensores de esta práctica argumentan que restringir la venta de datos ahogaría la innovación global de código abierto.
«No es fácil restringir las exportaciones de datos o IA sin perjudicar significativamente el software libre estadounidense», afirmó Cai, quien aclaró que no tiene una postura definida al respecto. «Esto crea un duopolio injusto para OpenAI y Anthropic, lo cual conlleva sus propios problemas».
