Cuando los equipos comerciales estadounidenses de las grandes startups de etiquetado de datos de Silicon Valley asistieron este año a la Conferencia Internacional sobre Aprendizaje Automático en Seúl, Corea, desembarcaron con una misión clara: seducir a los principales inversores del sector. Estas compañías, valuadas en conjunto en decenas de miles de millones de dólares y con ingresos anuales multimillonarios por proveer datos de entrenamiento a clientes como OpenAI y Anthropic, ya conocen el trato con laboratorios de IA famosos por su exigencia, sus cambios repentinos y la dificultad que implica responder a sus demandas más complejas.

Ahí encontraron otro cliente impaciente que los esperaba: la poderosa industria de inteligencia artificial de China.

Varias empresas chinas llegaron con listas de compras. Tencent, a la que el gobierno estadounidense vinculó antes con el ejército chino, algo que la compañía niega rotundamente, entregó a posibles proveedores un pedido detallado de datos de entrenamiento sobre finanzas, ciberseguridad y uno de los objetivos más ambiciosos de la IA: sistemas capaces de mejorarse por sí solos, sin intervención humana.

Aunque Estados Unidos prohibió durante años que China comprara los chips que impulsan los modelos estadounidenses de IA más avanzados, no aplicó las mismas restricciones a los datos necesarios para entrenarlos. Ese conocimiento humano, creado por redes especializadas y organizado mediante diseños de tareas, criterios de evaluación y controles de calidad, integra la costosa infraestructura de datos que les enseña a los modelos a resolver trabajos profesionales complejos, como la modelización financiera y la programación. El negocio mueve cientos de millones de dólares por año y permite que los modelos chinos de IA acorten la distancia frente a sus competidores estadounidenses en la competencia global por el liderazgo.

"Después del procesamiento necesario para entrenar los modelos, lo más importante son los datos de buena calidad", declaró Nathan Lambert, exinvestigador científico del Instituto Allen para la IA, en diálogo con 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", completó.

Documentos y comunicaciones que Forbes analizó, pertenecientes a compradores de laboratorios chinos de IA y a empleados de las plataformas de datos de Silicon Valley, entre ellas Surge AI y Mercor, revelan un discreto negocio multimillonario en el mundo del conjunto de datos de entrenamiento. Esas startups estadounidenses que proveen datos a OpenAI, Anthropic y, en algunos casos, a entidades federales de Estados Unidos también abastecen a los laboratorios de Pekín. Así, Silicon Valley entrena a ambos bandos en la carrera armamentística por el dominio de la IA.

Los laboratorios chinos de IA que intentan igualar el rendimiento de la tecnología estadounidense cuentan con tres estrategias rápidas. La primera consiste en contratar investigadores. La segunda es extraer datos, es decir, tomar los resultados de ChatGPT o Claude y usarlos para entrenar modelos chinos. Aunque no es ilegal, la práctica viola explícitamente los términos de servicio de OpenAI y Anthropic, y Michael Kratsios, asesor de ciencia y tecnología de la presidencia de Trump, lo señaló recientemente. La tercera alternativa resulta más simple y evita eventuales conflictos regulatorios: comprar los mismos datos de entrenamiento que adquieren los laboratorios estadounidenses de IA a los mismos proveedores.

Enseñar a un modelo de IA a manejar protocolos complejos de contabilidad o de laboratorios web exige mucho más que reunir datos brutos. La clave está en las especificaciones: qué información priorizar y qué directrices detalladas, creadas por profesionales, orientarán al modelo para que domine con precisión tareas administrativas y comprenda los procedimientos que debe seguir. Cuando adquieren esos conjuntos de datos, los laboratorios chinos compran el valioso conocimiento especializado que sostiene a los modelos de IA más avanzados que desarrolla hoy Silicon Valley.

Sean Cai, consultor de datos de IA y autor de un blog sobre datos y aprendizaje por refuerzo, lo resume sin vueltas: "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 secreta de suministro de datos valuada en US$ 500 millones en China

El flujo de datos parte de las empresas estadounidenses de etiquetado y llega a los mayores gigantes tecnológicos chinos, entre ellos Tencent, la compañía señalada por el Pentágono. En un mensaje al que accedió Forbes, un ejecutivo de adquisición de datos de Tencent explicó que la empresa recurre a Surge AI —entre cuyos clientes figuran el Ejército y la Fuerza Aérea de EE. UU., además de Anthropic— para obtener ese material.

Mercor, que a fines del mes pasado informó a sus empleados que obtuvo un contrato con el gobierno federal estadounidense, también trabaja con Tencent para sus proyectos actuales de inteligencia artificial.

Otras comunicaciones analizadas por Forbes revelan el mismo patrón. En mensajes de texto, un ejecutivo de Ant Group, la compañía china de tecnología financiera detrás de Alipay, reconoció una estrecha relación comercial con AfterQuery, una empresa estadounidense que provee datos para entrenar modelos de IA. Las transcripciones de audio de charlas con un empleado del gigante chino de comercio electrónico Alibaba señalan acuerdos de compra con AfterQuery y Mercor. Documentos internos del proyecto indican que la startup estadounidense de etiquetado de datos Turing trabajó en proyectos con ByteDance, la empresa matriz china de TikTok.

ByteDance, Alibaba, Moonshot, Tencent y Ant Group no respondieron a los pedidos de comentarios; Mercor rechazó hacer comentarios. AfterQuery y Surge señalaron que no revelan información sobre sus clientes. 

En total, los seis mayores laboratorios chinos de IA destinan cerca de US$ 500 millones anuales a compañías estadounidenses de etiquetado de datos, según dos empresarios del sector que recibieron cálculos sobre la dimensión del mercado por parte de ejecutivos de Tencent y ByteDance. Una persona que trató con varios de ellos explicó que esos laboratorios no se ven como rivales directos: más bien, como un bloque de clientes interesado en acceder a conjuntos de datos occidentales de máxima calidad en el mercado actual.

Las compañías estadounidenses de etiquetado de datos celebran la posibilidad de venderles. Una fuente cercana al tema indicó que los ingresos de Mercor procedentes de laboratorios chinos de IA representaron el 2 % de su facturación total en el segundo trimestre. En junio, sus ingresos anualizados superaron los US$ 2.000 millones, y la firma contrató a un responsable exclusivo para gestionar los vínculos con China. Además, al menos US$ 50 millones de los ingresos recurrentes de AfterQuery provienen de laboratorios chinos de IA, según fuentes consultadas por Forbes. Surge AI, una de las primeras compañías del sector en esa región, buscó de manera activa a esos compradores, mientras su CEO, Edwin Chen, viajó a China para reunirse personalmente con los máximos responsables de los laboratorios chinos.

Las compañías de etiquetado de datos venden a los laboratorios chinos de IA proyectos exclusivos y personalizados, además de conjuntos de datos "listos para usar" (OTS, por sus siglas en inglés): paquetes de entrenamiento estandarizados y preparados con antelación para revenderse a distintos laboratorios. Aunque puedan parecer inofensivos, estos conjuntos distan mucho de serlo. Se elaboran con los mismos "procesos de conocimiento" creados para proyectos personalizados de OpenAI o Anthropic.

El beneficio es enorme. En muchos casos, los laboratorios chinos evitan meses de ensayo y error al comprar paquetes OTS con estructuras de razonamiento que ya demostraron su eficacia y les permiten avanzar con mucha mayor rapidez operativa.

"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", señaló Cai, especialista en datos de IA. "Es extremadamente fácil para un proveedor de datos que trabajó con Anthropic utilizar la misma plataforma para generar datos para un laboratorio chino", agregó.

Esta dinámica transforma los conjuntos de datos prefabricados en una atractiva fuente de ingresos para los proveedores. Como pueden revenderlos a múltiples laboratorios de IA, alcanzan los márgenes de ganancia más elevados. Además, los laboratorios chinos de IA les dicen explícitamente a las compañías estadounidenses de etiquetado de datos que quieren comprar todo el material que ya adquirieron sus pares de Estados Unidos, según un ejecutivo que conversó con varios compradores del sector.

Max Gazor, fundador de Striker VC, una firma que invirtió en numerosos desarrolladores estadounidenses de modelos de IA, admitió que esta realidad del mercado suma varias trabas complejas de resolver. "Lo consideraría más bien una decisión ética sobre si la empresa vendería o no los datos a empresas chinas de IA", afirmó.

Un territorio sin regulación

Washington dedicó años a levantar una fortaleza geopolítica alrededor de los chips avanzados. Sin embargo, el conocimiento humano necesario para entrenar la IA cruza fronteras casi sin controles ni restricciones de ningún tipo.

Este vacío contribuyó a transformar las principales plataformas de datos de Silicon Valley en gigantes multimillonarios. Surge AI y Mercor, fundadas en 2020 y 2023, respectivamente, exhiben valuaciones extraordinarias: la segunda busca alcanzar los US$ 20.000 millones, mientras que la primera vale, según trascendió, al menos US$ 25.000 millones.

AfterQuery, una compañía bastante más nueva, pasó de US$ 100 millones a varios cientos de millones en ingresos recurrentes anuales en apenas tres meses. Aunque la mayor parte de esa facturación todavía proviene de grandes compañías estadounidenses, las operaciones en el exterior representan, con toda probabilidad, una fuente secundaria de ingresos demasiado atractiva como para dejarla pasar.

Algunos sostienen que vender conjuntos de datos a China supone un problema de seguridad nacional. "Algunas empresas de datos humanos trabajan con adversarios extranjeros, y los resultados se ven hoy en Kimi K3", publicó hace poco Ali Ansari, el joven CEO de 25 años de Micro1, 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", sostuvo. Micro1 afirma que no vende datos fuera de EE. UU. Scale AI también evaluó un contrato con ByteDance, pero lo descartó en 2024 por razones de seguridad nacional.

Los partidarios de esta práctica advierten que limitar la venta de datos frenaría 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", concluyó.

*Este artículo fue publicado originalmente por Forbes.com.